量子科技中心_量科网

变分量子算法（VQAs）正成为下一代量子计算机的核心计算范式，尤其适用于作为资源受限加速器嵌入新兴量子物联网（QIoT）的场景。然而，在此类设备受限的执行条件下，学习的可扩展性会因“贫瘠高原”现象而严重受限——梯度趋近于零导致训练停滞。这对在QIoT终端（通常具有少量量子比特、受限的测量次数和严格的延迟要求）实现VQA驱动的智能提出了实际挑战。本研究提出一种创新方法，通过在QIoT设备优化过程中引入负学习率来摆脱贫瘠高原。该方案通过正负学习阶段的交替切换，向模型训练注入受控的不稳定性，从而恢复显著梯度并探索损失函数中更平坦的区域。该工作从理论上评估了负学习对梯度方差的影响，并提出了其有助于逃离贫瘠区域的条件。在典型VQA基准测试中的实验结果表明，相较于传统优化器，该方法在收敛性和模拟结果上均取得稳定提升。通过突破贫瘠高原困境，该研究为量子-经典混合模型提供了全新的鲁棒优化路径。