量子科技中心_量科网

基于离线模型的优化（MBO）是指仅利用固定先验输入-输出数据集、无需主动实验来优化黑箱目标函数的任务。近期研究提出的量子极值学习（QEL）利用变分量子电路的表达能力，通过少量数据点训练即可学习精确的代理函数。然而正如经典机器学习文献广泛讨论的，预测模型可能对未探索区域的目标值做出错误外推，导致选择过于乐观的解决方案。该研究团队提出将QEL与保守目标模型（COM）相结合——这种正则化技术旨在确保对分布外输入做出谨慎预测。由此产生的混合算法COM-QEL既保留了量子神经网络的表达能力，又通过保守建模保障泛化性能。在基准优化任务上的实证结果表明，相较于原始QEL算法，COM-QEL总能找到具有更高真实目标值的解决方案，验证了其在离线设计问题上的优越性。