量子科技中心_量科网

变分量子算法在近期量子计算领域具有广阔前景，但硬件噪声以及零噪声外推（ZNE）等纠错方法所需的大量线路开销严重制约了其性能。该团队提出一种物理信息去噪网络（PIDN），通过学习ZNE优化动力学的代理模型来降低其成本。通过将变分更新视为参数空间中的轨迹，PIDN经过训练可复现ZNE纠偏后的期望值与梯度方向，同时引入保持梯度下降动力学的物理信息损失函数。训练完成后，PIDN可直接从当前噪声观测值与历史轨迹中获取去噪后的期望值与梯度估计，替代重复的多噪声评估，从而大幅减少线路执行次数。该研究在量子近似优化算法（针对3-正则图、Sherrington-Kirkpatrick模型和横场伊辛模型）以及变分量子本征求解器（针对LiH、BeH₂和H₂O分子）上进行了基准测试。在所有任务中，PIDN均能达到与ZNE相当的性能，同时将线路执行次数减少约4至6倍。训练过程中，梯度与ZNE的余弦相似度始终保持在0.95以上。鲁棒性分析表明，PIDN仅在ZNE本身不可靠时才会失效，而消融实验证实了物理信息损失函数对保持方向一致性的必要性。该工作进一步发现，当有效损失景观保持较强低频结构时，PIDN对优化动力学的追踪最为精准。这些结果表明PIDN是在含噪中等规模量子时代实现噪声鲁棒变分优化的可扩展、资源高效策略。