量子科技中心_量科网

变分量子算法（VQAs）是实现近期量子设备实用化的主导策略。然而，量子力学中的不可克隆定理阻碍了标准反向传播的应用，导致该算法在大规模任务中消耗的量子资源成本过高。为应对这一挑战，该研究团队将VQAs的训练动力学重构为非线性偏微分方程，并提出一种创新方案——利用物理信息神经网络（PINNs）高效建模该动态系统。通过采集量子设备生成的小规模训练轨迹数据，该方案能在经典计算端预测多轮迭代中VQAs的参数更新，显著降低量子资源消耗。系统性数值实验表明：在包括不同量子系统基态制备等涉及40个量子比特的任务中，该方法相比传统方案实现最高30倍的加速，量子资源成本降低达90%，同时保持具有竞争力的精度。该工作为提升VQAs效率的现有技术体系提供了新补充，进一步强化了其实际应用的潜力。