量子科技中心_量科网

在噪声中等规模量子(NISQ)约束下训练变分量子电路(VQC)引入了严重的计算局限性：经典态矢量仿真内存呈指数级扩展(𝒪(2ⁿ))，且全局代价函数容易陷入贫瘠高原，其中梯度方差呈指数级衰减(𝒪(1/2ⁿ))。本文介绍并评估了分布式纠缠缩减量子算法(QADR)，这是一种混合量子-经典机器学习框架，它将全局n量子比特VQC分解为近似在单个目标量子比特因果光锥内运行的局部子电路。对于光锥半径d，QADR将经典仿真内存扩展从𝒪(2ⁿ)降低至𝒪(n·2^{2d+1})，同时自然缓解了全局贫瘠高原问题。该团队在MNIST数据集和高维NASA IMS风力涡轮机传动系统诊断任务上，将QADR与标准全局VQC、支持向量机(SVM)以及两种定制化经典参数匹配神经网络(CANN和PMNN)进行了基准测试。QADR表现出卓越的可扩展性，在n_features=2000时成功运行——此时标准全局VQC因内存耗尽而崩溃——同时匹配或超越优化后的经典架构的性能。