量子科技中心_量科网

“混合量子-经典算法”是一种计算方案，其中量子电路用于提取信息，随后由经典例程处理该信息以指导后续量子操作。这类算法在噪声中等规模量子（NISQ）时代尤为重要——此阶段量子资源受限，经典优化发挥核心作用。该研究团队通过基于信息论的原理性优化，提升了混合算法的性能。 研究聚焦于“量子似然估计”（QLE）——一种通过迭代更新基于测量结果和贝叶斯推断的权重分布来识别量子系统哈密顿量的混合算法。虽然QLE已能利用量子测量和贝叶斯推断实现收敛，但其效率会因每步参数选择差异产生显著波动。该工作提出一种动态优化策略：在每次迭代中选择能最大化测量结果与真实哈密顿量之间互信息的初始态、测量基和演化时间。该方法基于[A. Te'eni等人在arXiv:2409.15549]最新发展的信息论框架，将互信息作为参数选择的导向成本函数。 具体实现采用模拟退火算法最小化条件冯·诺伊曼熵，从而最大化单次迭代的信息增益。结果表明，优化后的版本显著减少了收敛所需迭代次数，为加速量子系统哈密顿量学习提供了实用方案。最后，研究人员提出一个通用框架，将该方法拓展至解决更广泛的量子学习问题家族。