量子科技中心_量科网

在昂贵黑箱评估和严格查询预算约束下，发现兼具高效用与结构多样性的配置始终是数据驱动发现的核心挑战。传统优化器通常聚焦于主导模式，而质量-多样性方法需要庞大评估预算来填充高维存档库。量子近似优化算法（QAOA）虽能实现分布采样，但需要显式的问题哈密顿量，这在黑箱场景中不可获得。实用量子电路倾向采用二次哈密顿量，因为高阶相互作用项的物理实现成本高昂。现有学习方法如因子分解机（FM）虽能作为二次代理模型，但仅能捕捉成对结构。该研究团队通过自注意力机制建模高阶变量依赖关系，并将其投影为与QAOA兼容的半正定二次型，拓展了这种代理模型到哈密顿量的转换方法。该方法既能从学习到的能量景观中进行多样性导向的量子采样，又可捕获超越成对项的交互结构。在企业文档处理系统的风险发现任务中，与多种经典优化器对比测试表明：量子引导采样器在保持竞争力的效用同时，持续提升结构多样性和独占发现率。FM代理模型早期覆盖能力更强，而本方法生成的代理景观保真度更高，极端案例发现能力更优。该工作恢复的结构性尾部风险异常值数量约为多数经典基准的两倍，并识别出竞争方法未能发现的、具有非重叠特性的高效用配置，证明通过有效学习高阶交互结构并将其投影为二次代理哈密顿量，可实现量子辅助的黑箱发现突破。