量子持续学习旨在训练量子模型以应对连续任务，而不损失之前学到的知识。然而，变分量子分类器（VQCs）在非平稳任务分布下容易发生灾难性遗忘。为此，我们提出了量子弹性权重巩固（QEWC），这是一种基于量子费舍尔信息（QFI）的正则化方法，旨在减轻遗忘现象。
与基于经典费舍尔信息（CFI）的传统弹性权重巩固不同，QEWC利用QFI量化参数化量子态的内在敏感性，从而提供一种信息几何视角，在该视角下，重要参数通过量子态流形的局部响应来识别。
我们在VQCs上评估了QEWC，任务包括经典图像分类和量子相位分类等序列二分类任务。模拟结果表明，在没有正则化的情况下进行序列训练会导致严重的遗忘，而基于CFI的EWC和基于QFI的QEWC都能改善对先前任务的保留。机制分析进一步表明，这两种方法施加了不同的正则化几何：CFI选择性地作用于测量敏感方向，而QFI则在参数空间内施加了更密集的状态几何约束。
在去极化噪声下，CFI值受到降级测量统计的强烈抑制，而QFI则保持了噪声参数化量子态的更稳定的敏感性结构。这些结果确立了QEWC作为一种物理动机的方法，用于研究和减轻量子持续学习中的遗忘现象，基于量子态几何进行探索。