量子科技中心_量科网

在该工作中，研究团队采用了粒子群优化算法（PSO）来训练多种变分量子电路（VQC）。这一方法的提出源于基于梯度的传统优化方法易受“贫瘠高原”问题困扰的现状。PSO是一种受鸟群集体行为启发的随机优化技术，可设置粒子群维度、算法迭代次数和可调参数数量。研究中，PSO被用于训练VQC的整体结构，使其能够自主选择量子门类型、目标量子比特以及旋转角度（当选择旋转门时）。算法限定在四种量子门中进行选择：Rx、Ry、Rz门和CNOT门。 该优化方法已在MedMNIST的多个数据集上进行验证，该数据集是专为医学图像分类任务设计的生物医学图像集合。研究人员将PSO的性能与采用经典随机梯度下降法优化预定义VQC的结果进行对比。实验结果表明：尽管PSO使用的量子门数量少于梯度下降优化的VQC，但在多个数据集上能取得相当或更优的分类准确率。