量智信息中心_量科网

量子代价景观（QCL）的几何与拓扑结构决定了变分量子算法（VQA）的优化效果及其预测能力。该团队利用源自理论化学的微调弹性带（NEB）算法，系统分析了连接局部极小值的低代价路径——沟壑结构。通过训练量子神经网络（QNN）对量子态的可集中纠缠性进行分类，该研究应用NEB算法并数值识别了硬件高效拟设中QCL的沟壑结构。除可视化这些沟壑外，该工作通过平均沿着NEB低代价路径参数化的QNN预测，构建了一个集成预测框架。研究引入了一种轻量级预训练指标，该指标可量化局部预测变异性，并作为VQA强有力的性能指标——其应用甚至超越本研究范围。当基分类器来自呈现高局部预测变异性的电路与权重初始化时，基于量子的NEB集成方法在性能上优于经典及朴素量子替代方案。此外，复杂度分析表明，与朴素QNN集成方法相比，利用QNN NEB方法中QCL的沟壑类结构可显著降低计算成本。深度与量子比特规模分析显示，沟壑结构在两种规模下均持续存在，尽管随量子比特规模增长资源需求预期增加，NEB方法仍比朴素替代方案更快地加速收敛。