量子科技中心_量科网

量子机器学习有望将经典机器学习方法的成功与量子计算的强大能力结合起来，然而该领域面临的最大障碍之一便是“贫瘠高原”问题。参数化量子电路为开发量子机器学习模型提供了灵活框架，但其实用性受到可训练性与经典可模拟性之间权衡的制约。一般而言，能够充分表达复杂行为的电路往往表现出贫瘠高原现象，即梯度消失且优化失败。本研究探索了一种组合方法，通过将较小的子组件组装成更大的量子模型来缓解这一权衡。为确保这些子组件的可训练性，该团队描述了一种构建群不变损失函数的框架，该框架引入对称性诱导的归纳偏置，从而改善梯度行为并提升泛化能力。具体而言，该团队利用该框架设计了用于识别图中最大团的置换等变量子图神经网络。通过对称性诱导偏置，所构建的模型展现出更优的训练梯度，实验表明训练后的模型能够泛化至更大、更复杂的问题实例。最后，受量子启发式递归优化算法（arXiv:2308.13607）启发，该团队实现了一种递归混合量子-经典启发式方法，利用学习到的量子模型指导经典搜索过程，从而提高了推理准确性和可扩展性。这些结果表明，组合电路可能成为构建难以被经典复现的可扩展量子学习模型的可行途径。