量子科技中心_量科网

量子电路参数的个体优化目前是电子系统变分量子本征求解器的主要实际瓶颈之一。针对这一问题，研究人员已提出多种机器学习方法以缓解该难题。然而这些方法主要致力于训练和预测针对单个分子定制的参数：要么针对特定结构，要么针对同一分子不同键长的多个结构。该工作探索了基于机器学习的建模策略，以实现不同分子间的参数迁移能力。研究采用经过充分验证的量子电路设计，将其应用于氢原子体系建模时证明，参数预测结果可系统性地迁移到远大于训练实例的体系规模。