量子科技中心_量科网

变分量子线性求解器（VQLS）是近期量子设备上求解线性系统的有效方法，但其性能常受限于贫瘠高原效应和低效参数初始化问题，这些因素会显著阻碍系统规模扩大时的可训练性。该工作提出了PVLS——一种基于学习的参数预测框架，利用图神经网络（GNN）为VQLS电路生成高质量初始参数。通过提取系数矩阵的结构信息，PVLS能预测具有表现力且可扩展的初始化方案，从而提升收敛速度并降低优化难度。在16至1024维矩阵上的大量实验表明，PVLS可实现最高2.6倍的优化加速，在保持相当求解精度的同时减少迭代次数。这些结果证明了机器学习引导的初始化策略对提升NISQ时代量子-经典混合算法实用性的潜力。