量子科技中心_量科网

量子神经网络（QNN）的训练面临两大挑战：梯度估计的高计算成本以及优化景观陷入“贫瘠高原”（即参数空间出现难以处理的平坦区域）。为应对这些问题，该研究团队提出“加权随机区块下降法”（WSBD）——一种采用动态参数冻结策略的新型优化器。该方法通过基于梯度重要性评分智能识别并暂时冻结影响力较低的参数，实现计算资源的精准分配。相较于剪枝或分层冻结技术，WSBD在保持网络完整表达能力的同时，将单次训练所需的前向传播次数显著降低63.9%（以基态能量问题为例），且该优势随QNN规模扩大而增强。该工作不仅提供了WSBD的收敛性理论证明，还揭示了参数级冻结策略在QNN中优于传统分层方法的特性。项目主页：https://github.com/Damrl-lab/WSBD-Stochastic-Freezing-Optimizer。