量子科技中心_量科网

在量子硬件上训练参数化量子电路（PQC）时，梯度估计的测量成本构成了主要瓶颈。在参数平移规则下，该成本随可训练参数数量线性增长，并在大规模训练中占据总测量预算的主导地位。本研究提出了一种基于自动微分前向模式的PQC前向梯度估计器框架，该框架通过对任意可调数量的随机方向导数进行平均，得到梯度的无偏估计，并可将SPSA、随机坐标下降和参数平移规则作为极限情况统一纳入，且无需辅助量子比特或受控门开销。研究证明，随机量子前向梯度下降法在标准假设下能够收敛，并给出了显式的二阶矩展开式，该展开式在SPSA的单方向极限与参数平移规则的全梯度极限之间进行插值。在该框架基础上，研究推导出QUIVER（量子迭代自适应估计规则），这是一种针对参数化电路的自适应优化器，其更新规则遵循封闭形式的测量成本最优分配。数值实验表明，在ECG5000和MNIST数据集上，前向梯度法训练具有汉明重量保持特性的正交量子神经网络（最多60个量子比特、1770个参数）时，其效率比参数平移规则高出数个数量级。研究还证明，所提出的QUIVER优化器在使用量子近似优化算法的优化问题以及使用变分量子本征求解器的量子模拟中，能够优于iCANS和gCANS等测量节俭型优化器。