量子科技中心_量科网

变分量子算法在释放近量子处理器潜力方面极具前景，但高测量成本、优化平坦区及复杂优化空间往往制约其发展。该研究团队提出sVQNHE——一种神经引导的变分量子算法，通过经典与量子模块分别解耦振幅与相位学习。该方法采用由可交换对角门组成的浅层量子电路高效建模量子相位信息，同时利用经典神经网络学习振幅分布，并在双向反馈循环中引导电路优化。这种量子-经典协同不仅降低测量成本，更以有限量子资源实现高表达力，并提升变分优化的收敛速度。 通过大量数值实验，研究人员验证了sVQNHE的突破性进展：对于存在蒙特卡洛方法严重相位问题的6量子比特J1-J2模型，相较于基线神经网络，该算法将平均绝对误差降低98.9%，方差抑制达99.6，且优化步骤减少近19倍；在45顶点Erdos-Renyi图的MaxCut问题上，求解质量提升19%，量子资源效率提高85%。该框架设计具有可扩展性，对硬件噪声与有限采样不确定性具备鲁棒性，既适用于当前含噪声中尺度量子（NISQ）处理器，也兼容未来高质量量子计算机。研究成果为NISQ时代及后NISQ时期充分利用经典-量子协同效应高效解决复杂多体与组合优化问题指明了新路径。