量子科技中心_量科网

当前和未来许多量子计算应用都采用参数化量子电路族和变分方法来寻找这些参数的最优值。利用此类变分方法解决量子计算问题依赖于最小化某个成本函数（例如物理系统的能量），这与机器学习中的训练过程相似，因此变分量子模拟也可能遭遇机器学习训练中的典型问题，包括因局部极小值导致的无法收敛至全局最小值，以及临界减速现象。该工作将虚时间演化作为编译参数化量子电路和寻找最优参数的手段进行分析，论证了该方法能确保收敛至全局最小值且不会出现临界减速。研究还表明，若底层物理系统的阶数有界，包括编译过程和寻找最优参数在内的整个流程都能在任意误差阈值内高效完成——这涵盖了许多相关计算问题，例如局部物理理论和飞行器-登机口分配等组合优化问题。特别是，该团队针对这些组合优化问题给出了成功概率的先验估计。目前似乎没有已知的经典方法能提供类似的效率与收敛性保证，而虚时间演化方法却可在现有量子计算机上实现。