重庆师范大学董玉民领导的研究小组开发了一种优化参数量子电路的新方法，参数量子电路是变分量子算法的关键组成部分。该方法将无梯度自然进化策略与梯度下降的力量相结合，克服了臭名昭著的“贫瘠高原”问题，为量子计算和机器学习提供了广阔的前景。

该研究发表在《智能计算》杂志上。

变分量子算法已成为量子计算领域的驱动力，其应用范围从量子化学和组合优化到信息识别等机器学习任务。然而，一个持续存在的挑战是贫瘠的高原问题。

在经典优化中，基于梯度的方法依赖于目标函数的梯度(就像斜率一样)来指导优化过程。然而，在量子计算领域，当量子电路在优化问题的景观中缺乏明显的梯度时，就会出现贫瘠平台问题。

“由于量子计算机的性质，计算梯度会遇到许多困难，例如大量的量子计算以及由于量子噪声和退相干而导致的误差累积。这些困难导致了梯度消失问题。”如果没有梯度来指导优化，情况就像陷入了荒芜的高原，很难找到解决方案。

传统的基于梯度的优化技术在处理贫瘠高原时受到限制。先前缓解贫瘠高原的想法，例如量子自然梯度，以及初始化参数以避免弱贫瘠高原的技术也有局限性。

研究人员试图通过利用无梯度自然进化策略的力量来应对这一挑战。

研究人员表示，“这些策略有望在函数评估数量和电路尺寸缩放方面优化量子电路。通过恒定评估有效地估计梯度，而不受参数计数的影响。此外，这些函数评估完全是独立且可以并行执行。这意味着这些方法适用于高维问题”。

研究人员介绍了两种具体方法：一种被他们称为NESSGD，将自然进化策略与随机梯度下降相结合;另一种被他们称为NESAdaBelief，将自然进化策略与梯度下降变体相结合。这些方法旨在优化变分量子算法中参数量子电路的参数。

在五个分类任务中将这些方法与未采用自然进化策略的方法进行了比较。这两种新方法在实现更高的精度方面表现出了卓越的性能，展示了这些方法彻底改变量子算法优化的潜力。

为了使他们的优化方法适用于量子计算，研究人员探索了参数转移规则下进化随机梯度下降变体的适用性。该规则是获得参数量子电路梯度的流行技术。他们证明该方法可以适应这一规则，这为实际量子硬件上的实际应用铺平了道路。

这项研究的结果对量子计算及其应用的未来具有深远的影响。研究人员表示，“下一步，我们将考虑进一步改进训练的组合策略。”最终目标是增强参数量子电路在噪声中等规模量子硬件中的鲁棒性。“我们的目标是找到一种能够稳定缓解或解决‘贫瘠高原’的策略，为变分量子电路的广泛使用提供理论支持”。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：