量子科技中心_量科网

上下文组合优化（CCO）在不确定性条件下的决策中扮演着关键角色，但至今仍是一项重大挑战。该团队提出了量子端到端学习（QEL），这是首个基于量子计算的CCO端到端学习框架，利用了量子近似优化算法。受数据重上传中状态准备与演化整合的启发，该研究提出了一种上下文重上传相位分离器，能够联合捕捉上下文、不确定系数与最优解之间的复杂关系。这使得上下文编码器能够无缝集成到量子替代策略中，从而实现具有平稳性保证的联合端到端训练。通过利用基于物理原理的优化感知结构（这是经典方法难以直接利用的），该工作展示了其实际可行性：尽管面临离散性和非凸性，该框架仍能直接基于任务损失进行训练，同时避免调用NP困难优化求解器。QEL在实证中取得了具有竞争力的性能，同时所需的参数数量远少于经典基准方法，凸显了其在未来量子时代的工业级潜力。