量子科技中心_量科网

量子吉布斯态的制备是量子计算中的基础性挑战，对于从开放量子系统建模到量子机器学习等多种应用至关重要。基于Cervera-Lierta等人（2021）提出的元变分量子本征求解器框架和问题驱动的拟设设计，该研究团队提出了两种元学习算法：元变分量子热化器（Meta-VQT）和神经网络元变分量子热化器（NN-Meta VQT），用于在含噪声中等规模量子（NISQ）器件上高效制备参数化哈密顿量的热态。其中Meta-VQT采用全量子拟设结构，而NN-Meta VQT则融合了量子-经典混合架构。两种算法均通过训练集的集体优化，实现了对未见过参数的吉布斯态制备泛化能力。 该团队在8量子比特横场伊辛模型和包含所有场项的2量子比特海森堡模型上验证了方法的有效性，成功生成了超出训练数据范围的高效热态。对于更大规模系统，研究表明当元学习获得的参数与合理设计的拟设结合时，可作为优化任务的热启动初始化方案，其性能显著优于随机初始化。此外，通过3量子比特Kitaev环实例，验证了该算法在有限温度交叉区域的普适性。 最终，研究人员将算法应用于训练具有全场项的2量子比特海森堡模型量子玻尔兹曼机（QBM），相较基于变分量子虚时演化（VarQITE）等现有QBM技术，实现了训练效率提升、吉布斯态精度改进以及30倍的运行加速，彰显了基于元算法的QBM的可扩展性和实用价值。