量子科技中心_量科网

变分量子算法（VQA）是利用近期量子设备的主要策略，其训练能力是备受研究的关键瓶颈。当使用表达能力强的电路时，标准期望值目标函数在训练过程中常会遇到优化景观中的贫瘠高原。为应对这一挑战，该工作提出了量子倾斜损失（QTL），这是经典指数倾斜在算子层面的泛化，旨在系统性地重塑优化景观。通过调节单个连续参数，QTL能在结构化场景中放大梯度信号，同时保留问题的真实全局最小值。该工作提供了统一标准期望最小化与流行可调启发式方法（如条件风险价值（CVaR）和吉布斯公式）的理论基础。部署该框架需要权衡锐化景观带来的几何优势与从有限量子测量中估计非线性梯度的统计代价。该工作形式化了这种可训练性与可估计性之间的权衡，证明激进倾斜会从根本上将优化瓶颈从景观平坦性转移到样本复杂度。因此，操作瓶颈从梯度消失转变为测量采样方差。最后，该工作通过数值模拟表明，在有限样本场景中，递增倾斜调度策略可优于固定倾斜训练。