量子科技中心_量科网

变分量子算法（VQAs）面临着表达能力与可训练性之间的固有矛盾：更深层的量子线路能表征更丰富的量子态，但会因噪声累积和贫瘠高原问题导致性能下降；而浅层线路虽保持可训练性和可实现性，却缺乏表达能力。本研究提出一个通用框架，通过采用线性组合技术构建特殊设计的输入态来提升VQA性能。该方法系统性地改造了原始线路可达的量子态集合，在保持效率的同时提高了计算精度。研究人员给出了严格数学证明，证实该框架能提升任意给定VQA拟设的表达能力，并通过不同拟设家族的实验验证了其广泛适用性。作为应用案例，该团队将方法应用于横向场伊辛模型、簇-伊辛模型和费米-哈伯德模型的基态制备，在相同量子门预算条件下，相比标准VQAs获得了稳定更高的精度。这些成果表明，输入态设计可作为量子线路设计的有力补充，最终实现兼具高表达力和强可训练性的变分量子算法。