量子科技中心_量科网

变分量子计算（VQC）在可扩展性方面面临基本障碍，主要源于贫瘠平台现象和量子噪声敏感性。为解决这些挑战，该研究团队提出TensoMeta-VQC——一种基于张量链（TT）引导元学习的新型框架，旨在显著提升VQC的鲁棒性与可扩展性。该框架将量子电路参数生成完全委托给经典TT网络，实现了优化过程与量子硬件的解耦。这种创新参数化方法通过结构化低秩表示缓解了梯度消失问题，增强了噪声抗扰能力，并实现了高效的梯度传播。 基于神经正切核与统计学习理论，该工作的严格理论分析为近似能力、优化稳定性和泛化性能提供了坚实保证。在量子点分类、Max-Cut优化和分子量子模拟等任务中的大量实验结果表明，TensoMeta-VQC持续展现出卓越性能与强大的噪声容忍度，为在近期量子设备上实现实用化、可扩展的VQC提供了理论指导路径。