量子科技中心_量科网

训练变分量子算法和量子机器学习模型的困难已得到广泛认可。特别是，量子损失景观通常高度非凸，且被不良的局部最小值所主导。虽然这通常使得其训练问题在一般情况下是NP难的，但对于典型实例，仍可能存在有效且表现良好的启发式方法。在此，该团队提出了一种协议，通过有针对性的噪声注入来平滑和正则化量子损失景观。该协议通过指数级抑制量子损失函数傅里叶展开中的高频分量来实现。该协议可以在硬件和模拟中高效实现。研究团队在各种问题类型中观察到解决方案质量的显著且稳健的提升。该方法可以与现有的缓解局部最小值的技术（如量子自然梯度优化器）结合使用，并丰富了优化量子损失函数的方法工具箱。