量子科技中心_量科网

混合量子-经典（HQC算法（例如变分量子特征求解器VQE和量子近似优化算法QAOA）是近期量子计算的核心，但其测试仍具挑战性。基于采样的模糊测试能够发现错误或非收敛配置，但在实际执行预算下，可能会遗漏经典优化器设置与量子电路参数联合空间中的故障易发区域。本文研究面向HQC程序的故障引导模糊测试方法。该方法将混合输入建模为经典优化器超参数与量子电路参数的组合，并评估一种两阶段策略：首先搜索非收敛种子，然后对这些种子周围的电路参数进行局部模糊测试。为理解性能提升来源，研究比较了五种预算策略：随机混合测试、无模糊的经典枚举测试、随机种子局部模糊测试、枚举种子和符号执行种子的局部模糊测试。研究基于Qiskit平台在VQE实例和QAOA MaxCut实例上实现。结果表明，故障引导的局部模糊测试是相比随机测试性能提升的主要驱动力，而符号执行种子发现对VQE有额外收益，但对QAOA稳定性较差。这些发现表明，复用故障信息是HQC测试的一个有前景方向，但符号执行种子发现的价值取决于具体工作负载。