量子科技中心_量科网

量子近似优化算法（QAOA）是近期量子处理器上解决组合优化问题的主流方法。然而，由于能量景观的非凸性，寻找优质变分参数仍存在重大挑战，常导致收敛速度缓慢且解质量欠佳。该研究团队提出了一种量子元学习框架，通过训练先进量子序列模型来生成高效参数初始化策略。研究人员在“学会学习”范式中探究了四种经典及量子序列模型（包括基于量子核的长短期记忆网络QK-LSTM）作为学习优化器的性能。针对最大割问题的数值实验表明，QK-LSTM优化器在所有测试问题规模（n=10至13）中均展现出最佳性能，不仅获得最高近似比，还表现出最快的收敛速度。尤为关键的是，QK-LSTM通过合成一组固定的近优参数实现了完美的参数可迁移性，即使在推广至更大规模问题时仍能保持显著的持续加速收敛能力。这种由量子核架构紧凑且高表达力实现的特性凸显了其优越性。仅含43个可训练参数的QK-LSTM显著优于经典LSTM（56参数）及其他量子序列模型，为NISQ时代变分量子算法的高效参数初始化建立了可靠路径。