量子科技中心_量科网

神经后处理作为一种轻量级方法被提出，可通过学习如何重新加权测量结果来增强变分量子本征求解器的性能。该工作提出了数据驱动神经后处理的三个基本要求：(i) 无需先验知识的自洽训练，(ii) 多项式资源消耗，以及(iii) 变分一致性，并证明现有方法（如对角非幺正后处理DNP）无法同时满足这些要求。这种障碍具有本质性：在有限采样条件下，归一化会成为统计瓶颈，且分子分母估计器之间的支撑集失配可能导致经验目标函数出现病态甚至亚变分现象。此外，要利用恒定深度拟设或构成幺正2-设计的线性深度电路重现基态，所需的重加权范围（及相应采样成本）会随量子比特数量呈指数增长。基于这一不可行性结论，该团队开发了无需归一化的替代方案——幺正变分量子神经混合本征求解器（U-VQNHE）。U-VQNHE在保持可学习对角后处理层实用优势的同时确保了变分安全性，在横场伊辛模型上的数值实验表明，其精度和鲁棒性均优于传统VQE及基于DNP的改进方案。