量子科技中心_量科网

在变分量子计算中，平衡可训练性和可表达性是一个核心挑战。量子架构搜索（QAS）通过自动设计针对特定问题的参数化电路，在这一权衡中发挥着关键作用。该研究团队提出了一种可扩展的、无需训练的 QAS 框架，通过势能景观波动分析高效地探索和评估量子电路。这种分析能够捕捉成本函数景观的关键特征，从而在没有昂贵训练的情况下准确预测电路的可学习性。通过将该指标与精简的两层搜索策略相结合，该团队的方法能够以更高的精度和更少的门数识别高性能、大规模电路。该工作进一步展示了该方法的实用性和可扩展性，与以往的研究相比，显著降低了经典计算资源的消耗。值得注意的是，该框架在具有挑战性的50量子比特量子多体模拟中表现出稳健的性能，凸显了其在解决复杂量子问题中的潜力。