量子科技中心_量科网

变分量子学习在噪声中等规模量子（NISQ）时代面临实际挑战。参数化量子电路（PQC）模型由于有限次测量而存在统计不确定性，并且对量子噪声高度敏感，而像神经量子态（NQS）这样的纯经典近似方法无法获得真正的量子关联，并且在可扩展性方面存在限制。该工作引入了混合参数化量子态（HPQS），这是一种在量子和经典参数化之间进行插值的通用建模框架。HPQS通过混合机制和后处理函数将基于PQC的测量与神经估计器相结合，从而在硬件限制下实现增强的、高效的测量评估。该研究团队在三个代表性的量子学习任务中展示了HPQS：（1）基于期望的量子机器学习，其中HPQS在有限量子测量下比仅使用PQC和仅使用NQS的基线模型获得了更高的分类准确率；（2）量子训练，其中HPQS使用多项式对数可训练变量生成经典网络的整个参数集；（3）量子参数适应（QPA），其中HPQS在低测量条件下为微调大型语言模型（如GPT-2和Gemma-2）生成LoRA适配器参数，并提高了困惑度。这些结果表明，HPQS是一种可扩展、抗噪声的变分量子学习方法，兼容当前的NISQ硬件和未来的容错架构。