量子科技中心_量科网

该研究团队解决了多目标量子优化的挑战，其目标是在同一量子搜索空间中同时优化多个成本函数。为加速优化进程并减少量子资源消耗，研究人员探索了多种能在相关任务间实现知识迁移的策略。具体而言，该工作提出了包含两阶段的框架：训练阶段逐步在任务间共享解决方案，推理阶段则基于已优化目标来初始化未优化目标。团队提出并评估了多种方法，包括热启动初始化、基于一阶泰勒展开的参数估计、采用D级树结构的层次聚类以及基于深度学习的迁移技术。通过使用PennyLane实现的参数化量子电路进行实验，结果表明迁移技术在保持可接受成本值的同时，能显著减少所需迭代次数。这些发现凸显了多目标泛化在量子优化流程中的应用前景，为可扩展的多目标量子优化奠定了基础。