量子科技中心_量科网

自适应变分量子算法（如ADAPT-VQE）通过基于梯度准则从算子池中迭代选择算子，构建定制化的试探波函数。虽然这避免了参数空间过大的问题，但重复扫描整个算子池带来的经典计算成本与池大小呈线性增长——对于具有长程相互作用或大型算子集的系统而言，这成为主要瓶颈。本研究将自适应算子选择重新表述为基于图的决策问题，并引入一种图神经网络（GNN）策略，该策略直接根据相互作用图和依赖态的可观测量预测下一个纠缠算子。训练数据通过对无序长程自旋链的精确模拟生成，并以梯度大小作为监督信号。该学习策略精确再现了贪婪梯度选择规则的主导结构，显著优于仅基于相互作用强度的启发式方法。集成到变分量子本征求解器（VQE）工作流中后，该GNN-VQE方法在实现与标准ADAPT-VQE相近的能量误差的同时，大幅减少了全算子池梯度评估次数。为测试超越自旋模型的迁移能力，该策略在小活性空间分子基准（LiH和BeH₂）上进行了评估。研究发现，GNN作为候选算子短名单生成器效果显著：仅对少数几个GNN提议的候选算子进行精确重评分，即可恢复近乎最优的展开行为，同时仅搜索算子池的一小部分。这些结果表明，自适应电路构建中存在可学习的结构，能够被利用来加速变分量子算法。