量子科技中心_量科网

参数化量子电路优化的一个主要关注点是“贫瘠高原”现象的存在，这给变分算法和量子机器学习模型等应用的可扩展性带来了根本性挑战。针对这些方法的最新提案越来越多地采用酉算子的线性组合（LCU）流程作为核心组件。该研究团队通过理论推导证明了可训练参数化电路的LCU仍具可训练性，具体表现为：在考虑后选择概率的情况下，解析推导出对一组参数化电路应用LCU时期望值的方差表达式。这些结论可推广至非相干叠加情形。研究人员通过费米子高斯酉算子（匹配门电路）线性组合的数值结果验证了该结论。该工作表明可训练参数化电路的线性组合仍然保持可训练特性，从而为构建更具表达力的新型可训练电路家族提供了方法。研究人员论证了在量子设备上评估这些可训练电路时存在量子加速的可能性空间。