量子科技中心_量科网

变分量子算法（VQAs）已成为近期量子计算的主流范式，但其性能可能受到所谓“贫瘠高原”问题的制约——即梯度随系统规模或电路深度呈指数级消失。尽管现有大多数VQA研究采用简单的高斯分布或零初始化方案，经典深度学习领域却长期受益于Xavier、He和正交初始化等精细权重初始化策略来改善梯度流动并加速收敛。本工作系统性地探究了这些经典方法能否缓解量子电路中的贫瘠高原现象。研究人员首先梳理了各类初始化方法的理论基础，并阐述如何将神经网络的概念适配至VQAs；随后在不同电路架构和优化任务上开展了大量数值实验。结果表明：虽然受经典初始化启发的初始启发式方法在特定实验中带来适度改善，但其整体效益仍有限。通过提出这份初步探索计划，该团队旨在为学界提供更广阔的视角和可复现的演示，并基于本工作获得的洞见，提出了未来可能进一步完善的研究方向。