量子科技中心_量科网

确定多体哈密顿量的基态是贯穿物理学、化学和组合优化的核心问题，但由于希尔伯特空间随系统规模呈指数级增长，该问题通常在经典计算机上难以处理。即使在容错量子计算机上，具有收敛保证的量子算法（如量子相位估计和量子子空间方法）也需要初始态与真实基态具有足够大的重叠才能有效工作。变分量子本征求解器（VQEs）是制备此类态的自然候选方案；然而，标准VQE通常表现出较差的泛化能力，需针对每个哈密顿量实例重新训练，且常陷入贫瘠高原问题——梯度会随电路深度和系统规模呈指数级消失。为解决这些限制，该研究团队提出了一种端到端的表征学习框架，将图自编码器与经典神经网络相结合，以生成能跨哈密顿量实例泛化的VQE参数。通过编码相互作用拓扑和耦合结构，该模型无需针对特定实例优化即可产生高重叠率的初始态。通过对一维和二维局域哈密顿量家族的广泛数值实验，该工作展示了改进的泛化能力和可训练性，表现为测试误差降低及梯度方差衰减显著减缓。研究人员进一步证明，该方法能大幅加速基于量子子空间的本征求解器收敛，凸显其对下游量子算法的实际影响。