研究项目
量子机器学习 / 量子态制备
围绕量子特征映射、量子态制备与 QML 模型行为的笔记和实验。
研究问题
量子态制备选择如何影响量子机器学习实验？简单基线在哪些地方揭示了真正的难点？
研究动机
当编码、基线与测量假设被清晰写出时，QML 实验才最有价值。
方法
量子线路 量子态制备 变分实验 基线对比
研究路径
- 区分数据编码与可训练线路设计。
- 在解释性能提升前，将 QML 结果与经典基线对比。
- 跟踪线路深度、参数数量与模拟限制。
下一步
- 整理一篇紧凑的量子态制备参考笔记。
- 加入带明确经典对照的可复现玩具实验。
当前结果
后续会整理实验结果与失败模式笔记。
工具
Python Qiskit PennyLane NumPy
状态: 实验规划与笔记整理中