量子科技中心_量科网

量子虚时演化（QITE）算法是最具前景的变分量子算法（VQAs）之一，在当今含噪声中等规模量子设备时代与未来全容错量子计算之间架起了桥梁。尽管已有实验验证了QITE的实用性，并报道了其在某些任务中相比基于普通梯度下降（GD）训练的通用VQA的潜在优势，但对该算法的第一性原理理论认知仍然有限。本研究致力于构建QITE动力学的解析理论。首先，研究人员证明QITE可解释为采用量子自然梯度下降（QNGD）训练的通用VQA形式，其中量子费希尔信息矩阵的逆充当学习率张量。这种等效性不仅体现在梯度更新规则层面，更通过作用量原理实现——变分原理可直接关联至量子费希尔信息度量中的几何测地线距离（差一个积分常数）。其次，针对宽量子神经网络，该工作运用量子神经正切核框架构建了QITE的解析模型。研究团队证明QITE始终比基于GD的VQA收敛更快，但这种优势会因希尔伯特空间维度的指数增长而削弱。该发现有助于解释量子计算化学中的某些实验结果。所提出的理论涵盖线性、二次及更一般的损失函数，并通过数值模拟验证了解析结论。这些成果为QITE动力学奠定了理论基础，为变分量子算法的第一性原理设计提供了全新解析视角。