量子科技中心_量科网

基于反馈的量子优化算法（FALQON）通过绕过经典优化循环，为变分量子算法提供了一种确定性替代方案。然而，在大型问题实例上保持收敛通常需要限制时间步长，导致量子电路深度超出含噪声中等规模量子（NISQ）硬件的能力范围。本文研究了应用于3-正则图Max-Cut问题的二阶FALQON的参数可迁移性。通过针对最多24节点图、评估最多16层量子电路的数值实验，该工作展示了一种极具优势的缩放行为：将针对小规模实例优化的反馈参数迁移至更大目标图时，所获得的近似比显著高于直接在较大图上原生优化参数。该性能优势源于：在小规模实例上训练的参数能够安全采用更激进的大时间步长。通过将昂贵的参数发现阶段转移至小规模实例，这种迁移策略同时降低了计算开销并提升了近似比，从而推动FALQON更接近在近期量子架构上的实际可行性。