Investigadores han abordado el problema de los "Barren Plateaus" (mesetas estériles) en el aprendizaje automático cuántico (QML), un fenómeno que dificulta el entrenamiento de circuitos cuánticos parametrizados (PQC). Este problema surge cuando el paisaje de gradientes se vuelve exponencialmente plano, impidiendo una optimización efectiva. El estudio propone que la gran capacidad del espacio de Hilbert de los PQC, a menudo vista como una ventaja, es la causa matemática directa de estas mesetas, llevando a un "subajuste cuántico" en arquitecturas no estructuradas.

El trabajo establece un marco que conecta la dimensión algebraica de los generadores de un circuito con la dinámica de su optimización. Para ello, se han integrado avances recientes en Álgebras de Lie Dinámicas (DLA) y QML Geométrico. Este enfoque revela una manifestación cuántica del compromiso sesgo-varianza: mientras que las arquitecturas no estructuradas pueden alcanzar una precisión de entrenamiento casi perfecta mediante una parametrización no escalable (lo que podría considerarse un "sobreajuste cuántico"), la incorporación de prioris geométricos basados en la teoría de grupos actúa como un regularizador estructural.

Al restringir el crecimiento de las DLA a un régimen polinómico, el método propuesto sacrifica la capacidad bruta de memorización. Sin embargo, esta estrategia garantiza paisajes de entrenamiento escalables y ricos en gradientes, lo que es crucial para el desarrollo de redes neuronales cuánticas escalables. Los resultados se validaron empíricamente en una tarea de clasificación binaria no lineal, demostrando la viabilidad de un diseño que asegura la entrenabilidad ("Trainability-by-Design") en sistemas QML.