不加一个CNOT也能提分：测量前加可训练单比特旋转，Iris三分类峰值从60%升到83.33%
核心概要
变分量子分类器的精度通常靠增加纠缠门来换，但CNOT的出错率和执行时间都远高于单比特门。OQMD把测量前的读出映射也纳入训练，用可训练的单比特旋转选择测量基，不增加任何CNOT。在Iris的30点分层测试集上，0个CNOT的最佳OQMD配置达到83.33%，高于最佳18-CNOT对照的56.67%；18-CNOT上OQMD峰值从56.67%升到66.67%，但合并均值差距很小。
深度剖析
量子分类器的读出环节现在可以和变分电路一起训练，而不必固定为计算基测量加奇偶映射。 此前的做法把测量到类标签的映射交给默认奇偶规则，提升精度主要靠加深纠缠层。 在Iris的30点分层测试集上，0个CNOT的最佳OQMD配置达到83.33%，最佳对照为60.00%；18个CNOT上OQMD峰值为66.67%，对照为56.67%。
具体实现是在测量前给每个量子比特加三个可训练的单比特旋转，把测量基本身变成可学参数。 这套读出层称为OQMD，即最优量子测量解码，旋转角与电路参数由同一个经典优化器联合更新。 实验在无噪声态矢量模拟器上做三分类，固定同一Iris划分，每个配置跑50个随机种子，最小与复杂设计合计3600次运行。
增益大小随电路结构变化，并非处处等幅。 最小电路上峰值提升23.33个百分点，18-CNOT上提升10.00个百分点，而18-CNOT的合并均值仅从40.22%到41.57%。 合并运行的Mann–Whitney U检验在最小电路上p小于10的负100次方，在18-CNOT上约为0.03。
启示与展望
结论建立在Iris数据集、单一分层划分、无噪声态矢量模拟器和固定奇偶多类读出之上，比较的是门预算内的量子分类器，而非与经典模型的整体竞争力。作者提出后续应把同样的峰值导向评测扩展到更多数据集和带标定的噪声模型。
作者明确不称其为普适提升：效应幅度依赖结构，18-CNOT上合并均值差距很小；六个CNOT阶梯点只用了ZXZ一种旋转码和COBYLA一个优化器，中间深度的旋转扫描留待后续；CNOT数与峰值增益的探索性相关系数约为负0.45，p约为0.37，未达显著。