近年来，随着量子计算技术的飞速发展，量子机器学习（QML）成为了学术界与工业界的研究热点。作为连接量子计算与人工智能的核心桥梁，量子神经网络（Quantum Neural Networks，简称QNN）因其强大的表达能力和潜在的量子优势受到了极大关注。最近，一项开创性的研究揭示了在特定条件下，深度量子神经网络的输出表现出高斯过程（Gaussian Processes，简称GP）的统计特征，这不仅为我们理解QNN提供了新的视角，也为设计高效可学习的量子模型奠定了坚实基础。高斯过程作为机器学习领域中的经典统计工具，因其在贝叶斯推断和非参数建模中的灵活性和强大能力，被广泛应用于回归、分类等任务。经典神经网络达到无限宽度极限时，其行为趋近于高斯过程，这一著名结果助力研究人员更好地理解神经网络的训练动态和泛化能力。然而，量子神经网络作为一种基于量子态和量子操作的模型，其构造与经典神经网络存在本质差异。
量子单元操作的非独立性和希尔伯特空间的高维特性，使得量子网络表现出的统计性质更加复杂。有鉴于此，研究团队开展了系统的理论分析，选取了以Haar测度（Haar-random）随机采样的单位ary和正交群作为量子神经网络的构造基础，证明在希尔伯特空间维度趋于无穷大时，QNN的输出统计分布严格收敛为高斯过程。这一结果不仅扩展了高斯过程在量子领域的适用性，更体现出量子计算独有的概率结构和几何限制，进而影响了性能极限的预测和训练方法的设计。深度分析表明，QNN在完成输入量子态的单个或多个测量期望值计算时，观察到这些输出随机变量的多阶矩匹配多元高斯分布的矩结构，满足Carleman条件，因此具有确定的高斯过程分布特征。研究还细分了不同情况下的状态集合重叠度对高斯过程协方差矩阵结构的影响，比如正相关、无相关和负相关，揭示了量子态内在的几何关系是如何决定模型表现的。值得注意的是，测量算符的选择对于结果至关重要。
例如，选用迹零且平方为单位算符（如Pauli算符）的集合作为观测基，能够保证输出具有零均值，从而容易归纳为高斯过程。然而若使用计算基的投影算符，则输出遵循完全不同的Porter–Thomas分布，再次凸显了量子测量哑铃的复杂性和多样性。高斯过程的出现为量子神经网络的推理和训练方式提供了新的突破口。传统上，训练QNN需要大量参数优化和梯度计算，然而高斯过程能够通过核函数（corresponding kernel）直接实现贝叶斯推断，极大简化预测任务。研究指出，QNN对应的核函数正比于量子态之间的保真度核，即希尔伯特-施密特内积，这是量子机器学习中著名的量子核方法基础。这种内在联系表明，通过QNN输出构建的核矩阵编码了数据的丰富结构信息，可为分类、回归及生成任务带来潜在优势。
在实际应用方面，研究演示了基于高斯过程回归的QNN输出预测，可以高效预估本地测量的结果，尤其当量子神经网络操作尺寸较小（例如作用于对数级别量子比特范围）时，预测的有效性和准确率显著提升。换言之，在处理局部量子过程时，结合高斯过程的贝叶斯统计方法，可显著降低所需训练数据量，实现稀疏采样和快速推断。相反，若网络作用于全局大规模量子态，协方差矩阵的数值趋近于退化，测量结果和梯度将呈现指数快速集中，导致所谓的“枯竭地形”（barren plateau）现象，此时利用高斯过程的贝叶斯推断变得低效。研究还进一步严密分析了这种集中现象，提出了比传统Chebyshev不等式更紧致的概率界限，展现了双指数衰减的置信度，有助于开发新型缓解策略，避免训练陷入困境。此外，考虑目前量子设备实现严格Haar随机采样存在难度，论文还将理论推广至t设计近似分布，即满足随机单元第t阶矩匹配的近似群体，这种更实际的假设保证了高斯过程性质在更多现实QNN架构中的适用性，为近期编译、误差纠缠和随机电路设计提供理论支持。本文成就对未来量子机器学习研究影响深远。
首先，量子神经网络形成高斯过程的理论基础，带来了一种新的视角，既有助于理解QNN本质，也可以启发设计更加稳定、可解释的量子模型。借助高斯过程的非参数特性和贝叶斯推理优势，研究者能在高维量子空间中高效进行训练、预测和泛化，实现对复杂量子态空间的精准探索。此外，借助本文框架，未来可望将此理论应用于量子模拟、量子控制、多体物理系统及错误纠缠检测等领域。综上，量子神经网络与高斯过程之间的深刻联系，打破了量子与经典机器学习传统范畴的界限，催生全新理论工具和算法策略。它不仅促进学界对量子模型表现极限的探索，也为产业界量子人工智能落地提供坚实基础。随着量子硬件的升级和算法的成熟，预计基于高斯过程的量子神经网络将在未来智能计算、复杂系统建模和信息处理领域掀起革命性变革。
。
