量子科技中心_量科网

变分量子算法（VQAs）结合了经典优化与量子计算的优势，使其成为噪声中等规模量子（NISQ）时代最具前景的研究方向之一。然而，当采用梯度下降法进行优化时，VQAs常面临梯度消失问题（即“贫瘠高原”现象）。目前已有多种方法被提出以缓解该问题。该研究团队提出了一种混合方案，通过将经典比例-积分-微分（PID）控制器与神经网络相结合来更新变分量子电路的参数，并将此方法命名为NPID以应对贫瘠高原问题。所提算法在随机生成的量子输入态和含参数噪声的随机量子电路上测试了其普适性，同时在不同噪声率下进行了额外仿真以验证其鲁棒性。方法的有效性通过其向目标损失值收敛的速度进行评估。仿真结果表明：NPID的收敛效率较NEQP和QV提升了2-9倍，且在不同噪声水平下性能波动幅度均值仅为4.45%。这些发现揭示了将经典控制理论融入量子优化的潜力，为提升变分量子算法的可训练性与稳定性提供了新思路。