量子科技中心_量科网

变分量子算法已成为从近期的中等规模量子设备中提取实用计算的前沿范式，推动了量子化学模拟、组合优化和量子机器学习领域的进步。然而，变分量子算法的性能对参数化量子电路（ansatze）的设计极为敏感。有效的参数化电路需满足双重条件：既要具备足够的表现力以捕捉目标态，又要保持较浅的电路深度以确保可训练性。该研究团队提出了一种受遗传算法启发的框架，通过基于表现力度量的变异和选择机制来演化参数化电路设计。该框架生成的量子电路在任意目标深度均能保持高表现力，其性能与传统参数化设计方案相当，同时几乎不会出现训练停滞（barren plateau）现象。该工作为参数化电路设计提供了通用且可扩展的解决方案，所生成的电路兼具高表现力和低深度特性，仅需一次设计即可适用于广泛的应用场景。