量子科技中心_量科网

关于参数化量子电路（PQC）能否被系统性地构建为兼具可训练性与表达力的问题，目前尚未有定论。高表达力的PQC常会陷入贫瘠高原现象，而若干可训练方案又存在经典计算机可高效模拟的局限。该研究团队通过推导出有限样本且与维度无关的PQC代价函数方差估计浓度界，给出了明确的可训练性保证，从而回应了这一核心问题。通过对常用ansatz结构的分析，研究人员发现可训练性与表达力之间存在反相关性，这一现象与理论预测相符。基于此发现，该工作提出了一种基于性质的ansatz搜索框架，用于筛选兼具可训练性和表达力的量子电路。研究团队在真实量子计算机上验证了该框架的实用性，并将其应用于变分量子算法中：在量子神经网络ansatz设计中，使用减少6倍以上的参数即实现了更高有效维度；对于H2分子的变分量子本征求解（VQE），该方案在显著降低电路复杂度的同时，达到了与UCCSD方法相当的精度。