量子科技中心_量科网

量子噪声已被证实会显著影响量子计算性能，这可能会限制当前量子处理器的实际表现。即便是基于变分量子算法设计的量子神经网络模型——这类旨在适应前沿含噪声硬件局限性的方案——也会因噪声水平过高而遭遇“贫瘠高原”现象。但值得关注的是，适度的噪声反而能提升这类量子机器学习算法的泛化性能。 该研究工作提出了一种预训练方案来确定能产生理想优化景观特性的量子噪声水平。研究表明，最优噪声水平会引发变分参数的“均衡效应”：计算中最不重要的参数获得更高权重，而最关键参数的重要性则相应降低。团队通过量子费希尔信息矩阵解析了这种噪声诱导的均衡现象，由此建立了估算最佳均衡噪声水平的理论框架。大量数值模拟结果证实，在最优均衡点邻近区域，噪声效应往往能显著提升算法的泛化能力。