数据复杂度能预测机器学习的量子优势吗？

核心预测未达到预设阈值

这篇论文要回答的问题是：能否在运行任何实验之前，仅凭数据集的结构判断某个量子模型是否值得一试。其核心主张是，一个复合数据复杂度指标——即数据集在结构、统计、算法和拓扑层面的丰富程度——可以给可实现的量子优势排序。这正是研究要证伪的主张，而它确实被证伪了。

检验采用留一数据集交叉验证，覆盖27个二分类数据集：在27折中的每一折，一个数据集的所有实验单元被留出，其余26个数据集用于训练预测器。预测器必须达到R² ≥ 0.4，且期望校准误差 ≤ 0.1。实际汇总R²为−0.32，比直接预测均值还差，因此核心假设是明确失败，而非差一点未达标。

被预测的目标并不是原始准确率之差。主要优势指标经过预算匹配：先按固定的双量子比特错误率10⁻³和电路的双量子比特门数量计算存活因子，把量子准确率向随机水平收缩，再与经典准确率比较。论文明确指出，这是一个资源匹配的比较目标，不是对任何特定硬件平台性能的估计。

弱基线足以制造量子优势

这一失败与量子结果所对比的经典模型密切相关。以逻辑回归为对照时，选择器达到R² = +0.13，宇称族电路在17%的实验单元中胜出。而以六个标准经典模型中的最佳者为对照时——包括逻辑回归、k近邻、RBF核支持向量分类器、多层感知机、直方图梯度提升和随机森林——性能降至R² = −0.94，宇称族仅在1%的单元中胜出。

这一对比是论文最具迁移价值的诊断。表面上的复杂度—优势信号真实且可复现，但它跟随的是经典模型的误差：它出现在线性基线失效的地方。作者指出，仅一个弱基线就足以制造出完全可预测、可复现却是虚假的量子优势。

这两种比较并不是对同一量的不同测量，而是同一个测得的量子准确率分别对照不同的经典参照。这就是为什么量子一侧没有任何变化，两个R²值却能相差如此之大。

预处理抹掉了它本应预测的空间

每个数据集都通过十种确定性编码映射到八量子比特电路上，编码分属四个家族——角度编码、ZZ型编码、振幅编码和数据重上传——并配有六种拟设配置（深度为1和3）以及五个随机种子。完整的27 × 10 × 6 × 5 = 8,100个实验单元全部完成。

把经典数据压缩到少量量子比特宽度，本身就是一个经典预处理步骤，论文认为它在量子模型看到数据之前就剥离了非线性空间。证据是：在所有测试宽度上，梯度提升都与线性探针表现相当。换言之，一个强非线性经典学习器在编码表示上并不比线性模型更强，因此留给下游模型利用的非线性结构很少。

在确实存在稳健于基线的优势之处，基于梯度的训练也找不到它。由于预处理是经典的，论文把任何差距中可归因于表示的部分视为无需量子设备即可获得。

多数实验单元的量子表现处于随机水平

这一零结果受其测量范围的限制。量子性能在81.5%的实验单元中处于随机水平。当量子模型在网格的大部分区域都接近随机水平时，测得的优势主要由经典对照决定，所提出的复杂度向量也就几乎没有稳健的量子变异可供预测。

这关系到如何正确理解标题数字。预测器在一个主要由经典基线噪声构成的目标上失败，这是关于该基准和数据访问机制的陈述，而不是量子敏感结构不可能存在的定理。论文直接说明了这一点：结果是在测试范围内否定了该框架的核心预测主张，而不是确立量子优势普遍不存在。

电路是模拟的、无噪声的、八量子比特且不涉及容错。探索性扫描把梯度测量扩展到4至14个量子比特，把量子测试误差扩展到4、6、8和10个量子比特，但超过14个量子比特的行为以及硬件噪声仍未测试。

人为构造的对照确实显示出量子优势

为了检验实验究竟能否检测到量子敏感信号，作者构建了一个刻意的对照。一个量子特征构造在结构感知测量下产生了+0.42的优势，而被要求学习该结构的通用模型仍接近随机水平。

这把两个问题区分开来，否则单一的零结果会把它们混为一谈：测量机制能否记录到优势，以及所提出的预测器能否预报优势。对照表明，对于被刻意设置为通用学习路径无法触及的结构，整个流程并非视而不见。

作者将此与幸存下来的宇称优势联系起来——梯度训练无法触及该优势——并把经典宇称困难性、贫瘠高原和影子困难性描述为同一种低阶信号缺失。他们得出的教训是：聚合数据复杂度是错误的轴；标签—可观测量关系的局域结构更为锐利，而唯一幸存的优势正是建立在这一结构之上。

零结果未覆盖的范围

研究范围是一种任务表述、27个数据集、十种编码、六种拟设和一种数据访问模式。这27个数据集支持的是在该基准套件内进行的一项预注册检验，而不是关于所有表格学习问题或所有量子流程的总体性主张。留一数据集验证检验的是在所采样数据集之间的迁移，但该套件并不是任务家族、数据生成机制、编码或经典竞争者的概率样本。

有一项预注册假设完全无法评估。去量子化分层选择器检验需要量子访问机制下的实例，而冻结套件中一个也没有，因此它仍只是一项范围检查，而非经过检验的假设。论文指出，数据访问假设决定了量子程序是否存在有意义的经典对应物。

作者还报告，准备实验时发现了早期版本框架的缺陷——量纲不一致的项、权重不可识别的相关成分，以及一个与已知电路系综结果矛盾的无数据极限——这些在确认性分析之前已得到修正。另一项审计发现，部署的拓扑估计器对一个完美圆返回零持续同调，等于移除了拓扑而非低估了它；修正后的估计器另行评估，失败依然存在。

对任何报告差距都应追问的问题

论文最持久的产出是一个分解，而不是一个判决。任何测得的量子—经典差距都可以穷尽地拆分为两部分：一部分可通过经典方式运行预处理获得，另一部分是唯一真正的量子主张。只有残差项才可能承载优势。

这给读者提供了一个检验任何声称的量子优势的具体方法：追问测的是哪一项。无法回答这一问题的研究，无论其标题数字如何，都没有分离出量子效应。应用到本研究中，可归因于预处理的项按构造就是经典的，而残差项在十种编码下——包括携带1.52 nats半切割纠缠熵的纠缠映射——与零无法区分，且所处机制中模型在81.5%的实验单元里处于随机水平。

因此，作者为后续研究设定的优先事项不是在同一选择器中加入更多复杂度描述符，而是设计实验，让相关结构被刻意设置为通用学习流程无法触及；同时养成三个方法习惯：报告基线扫描而非单一基线，区分存在的优势与可被找到的优势，并在拟合任何随规模变化的量之前先改变电路宽度。作者指出，如果只做了第一项，这篇论文本会报告一个阳性结果，而那个结果会是错的。

本文引用的文献