量子科技中心_量科网

基于反馈的量子算法（FQAs）通过迭代式地扩展量子电路来优化给定任务。在每一步骤中，量子比特测量提供的反馈信息将指导后续量子电路更新。实际操作中，这类测量涉及的采样成本可能相当高昂。本研究探讨能否利用经典机器学习预测FQA参数序列，从而完全避免量子比特测量。为此，该团队训练了一个师生模型，通过单次经典推理步骤将MaxCut问题实例映射到对应的FQA参数曲线。数值实验表明，该模型能准确预测多种问题规模下的FQA参数曲线（包括训练集未涵盖的规模）。为评估性能，研究人员将仿真环境中的预测参数曲线分别与FQA基准曲线和线性量子退火方案进行对比：前者结果相近，后者性能更优。这些发现表明，机器学习或能为降低量子算法采样成本与资源开销提供启发性的实用路径。