量子科技中心_量科网

变分量子算法（VQAs）在噪声中等规模量子（NISQ）时代被广泛使用，但其可训练性和性能高度依赖影响优化格局的初始化参数。现有基于机器学习的初始化器虽能实现先进效果，但仍受限于单一任务领域和仅数百样本的小型数据集。该工作通过将VQA参数初始化重构为生成建模问题，提出了基于去噪扩散概率模型（DDPM）的参数初始化器DiffQ来解决这些局限。为支持稳健训练和评估，研究人员构建了一个包含15,085个实例的数据集，覆盖三大领域和五项代表性任务。实验表明DiffQ优于基线方法，初始损失最高降低8.95，收敛步数最多减少23.4%。