量子科技中心_量科网

变分量子本征求解器（VQE）是利用量子计算机推进量子化学与材料模拟的重要候选方案，但其训练效率会随哈密顿量规模增大而急剧下降。该瓶颈源于两个核心问题：(i) 不可克隆定理导致每梯度步的电路评估次数随参数数量线性增长；(ii) 更深层电路会遭遇贫瘠高原现象（BP），造成测量开销指数级上升。为应对这些挑战，本研究提出名为Titan的深度学习框架，该框架能在初始化阶段针对特定哈密顿量类别识别并冻结给定拟设中的非活跃参数，在保持精度的同时降低优化开销。Titan的设计灵感源于该团队发现的实证现象——部分参数对训练动态始终具有可忽略的影响。该方案结合了理论支撑的数据构建策略（确保每个训练样本信息丰富且能抵抗贫瘠高原）与自适应神经架构（可泛化至不同规模的拟设）。在横场伊辛模型、海森堡模型及最大30量子比特的分子体系测试中，Titan比现有最优基线实现最高3倍的收敛加速，电路评估次数减少40%至60%，同时保持或超越其估计精度。通过主动裁剪参数空间，Titan降低了硬件需求，为利用VQE推动实用化量子化学与材料科学研究提供了可扩展路径。