量子科技中心_量科网

变分量子算法（VQA）已成为利用近期量子设备解决优化、化学模拟及机器学习等应用的重要框架。然而，该算法的有效性常受困于所谓“贫瘠高原”问题——当系统规模或电路深度增加时，梯度会呈指数级衰减，从而阻碍训练过程。该研究团队提出了一种基于强化学习（RL）的参数初始化策略，通过重构初始参数空间以避开梯度消失区域，从而缓解该问题。具体而言，研究人员探索了确定性策略梯度、柔性执行者-评论家、近端策略优化等多种RL算法，在标准梯度优化前生成能最小化VQA成本函数的电路参数（视为动作）。这种RL预训练使后续梯度下降或Adam等优化方法能从更有利的初始状态启动。在不同噪声条件和任务的大量数值实验中，RL初始化方法始终显著提升了收敛速度和最终解质量。多种RL算法的对比表明，不同方法均可实现相近性能提升，印证了该策略的灵活性与鲁棒性。这些发现为机器学习技术与量子算法设计的融合提供了新思路，揭示了RL驱动的参数初始化如何加速VQA的规模化实际应用，尤其为量子机器学习领域（特别是VQA中的贫瘠高原问题）开辟了前景广阔的研究路径。