量子科技中心_量科网

该研究团队针对量子强化学习（QRL）在组合优化中的泛化难题展开工作，以旅行商问题（TSP）为研究重点。由于在大型TSP实例上训练量子策略通常不可行，现有QRL方法只能应用于小规模问题。为解决这一问题，研究人员采用了保持TSP图置换对称性的等变量子电路（EQC），这种具有对称意识的结构实现了训练参数从n个城市训练实例到更大规模m城市问题的零样本迁移。基于近期证明等变架构能避免训练高原并获得良好泛化能力的理论，该工作推导出迁移场景下的新型泛化边界——通过量化n节点与m节点TSP间结构差异性的新指标，给出了迁移性能损失的上界。实验表明：在小型n城市TSP上训练的EQC策略应用于更大实例时，不仅能保持强劲的零样本性能，还可通过微调进一步提升，这与经典研究中观测到的跨尺度正迁移现象一致。这些成果证明，将置换对称性嵌入量子模型可为组合任务提供可扩展的QRL解决方案，揭示了等变性在可迁移量子学习中的关键作用。