Generating probability distributions using variational quantum circuits
Indian Institute of Science Education and Research Bhopal（印度科学教育与研究学院博帕尔分校）
本文提出利用变分量子电路生成概率分布，通过分析不同ansatze家族在多种成本函数和优化方法下的表现，提供设计高效可训练量子电路的实用指南。
2026-01-05 quant-ph
Inductive Construction of Variational Quantum Circuit for Constrained Combinatorial Optimization
本文提出一种基于前向操作归纳构造变分量子电路的方法，能处理更广泛的约束条件，应用于设施选址问题，提升了可行解与最优解的测量概率，且电路成本与常规方法相当。
2025-01-07 quant-ph
Learning Quantum Phase Estimation by Variational Quantum Circuits
针对QPE因精度提升导致电路深度增加的问题，提出用VQC近似逆QFT以降低深度与噪声，并在真实硬件上验证其优于标准及含噪声QPE。
2023-11-08 quant-ph
Variational tight-binding method for simulating large superconducting circuits
我们推广固态紧束缚技术的频谱分析的大型超导电路。我们发现紧束缚态比电荷基态更适合于近似低能激发，如电流镜电路的有趣例子所示。紧束缚的使用可以显着降低收敛到真实谱所需的希尔伯特空间维数，并允许精确模拟电荷基对角化无法达到的较大电路。
2021-04-29 quant-ph
A hybrid variational quantum circuit approach for stabilizer states classifiers
Laboratoire Interdisciplinaire Carnot de Bourgogne, UMR 6303 CNRS, University of Technology of Belfort-Montbéliard（贝尔福-蒙贝利亚尔技术大学）；Mathematics and Statistics Department, Auburn University（奥本大学）
本文提出利用变分量子电路方法对多体量子纠缠进行分类，针对四量子比特状态构建了分类器。
2026-04-02 quant-ph
Variational Quantum Algorithm based circuit that implements the Toffoli gate with multi inputs
本文提出两种变分量子算法，仅用单量子比特门和CNOT门实现多输入Toffoli门，并通过Hilbert-Schmidt内积和可观测量期望值构造代价函数，利用PennyLane完成优化。
2023-05-30 quant-ph
JuliVQC: an Efficient Variational Quantum Circuit Simulator for Near-Term Quantum Algorithms
本文提出轻量高效的变分量子线路模拟器JuliVQC，通过Julia实现透明核心算法、缓存友好的并行化操作及原生自动微分，在多种量子与变分线路场景下性能领先。
2024-06-27 quant-ph
Parsimonious Optimisation of Parameters in Variational Quantum Circuits
针对变分量子电路中梯度估计复杂度随参数数量线性增长的问题，提出Quantum-Gradient Sampling算法，每次迭代最多执行两个电路并减少shots数量，实现与经典梯度下降相似的收敛率且优于多种基线方法。
2023-07-27 quant-ph
Circuit-Efficient Qubit-Excitation-based Variational Quantum Eigensolver
本文在ADAPT-VQE框架内提出两体量子比特激发算符的电路高效实现，用于构建浅电路波函数拟设，并在小分子基态与激发态模拟中显著降低电路深度，提升当前量子硬件上的电子结构模拟性能。
2024-06-17 quant-ph
Variational quantum generators: Generative adversarial quantum machine learning for continuous distributions
我们提出了一种量子-经典混合方法，利用变分量子线路来模拟连续的经典概率分布。变分电路的结构由两部分组成：一个量子线路，用于将经典随机变量编码成量子态，称为量子编码器;和一个变分电路，其参数被优化以模拟目标概率分布。通过测量在计算开始时选择的一组运算符的期望值来生成样本。我们的量子生成器可以用经典函数（如神经网络）作为经典后处理的一部分进行补充。我们使用生成对抗学习方法演示了量子变分生成器的应用，其中量子生成器通过其与将生成的样本与来自真实数据分布的样本进行比较的模型进行交互来训练。我们表明，我们的量子发生器是能够学习目标的概率分布，无论是使用经典的神经网络或变分量子线路作为神经网络。我们的实现利用自动微分工具来执行所采用的变分电路的优化。这里提出的变分量子发生器的设计和实现框架可以作为设计混合量子经典架构的蓝图，用于近期量子设备上的其他机器学习任务。
2019-01-03 quant-ph
Q-means using variational quantum feature embedding
本文提出了一种混合量子经典算法，学习一个合适的量子特征映射，分离未标记的数据，原来是非线性可分离的经典空间使用变分量子特征映射和q-均值作为子程序的无监督学习。变分电路的目标是在量子特征希尔伯特空间中最大限度地分离团簇。电路的第一部分将经典数据嵌入量子态。第二部分利用q均值量子线路对量子特征希尔伯特空间中的量子态进行无监督学习。量子线路的输出是特征簇量子态，其表示属于特定簇的所有量子态的叠加。量子线路的最后部分对特征簇量子态执行测量以基于保真度输出簇间重叠。完整量子线路的输出用于计算基于特征簇量子态的密度矩阵之间的希尔伯特-施密特距离的代价函数的值。期望值的梯度被用来优化变分电路的参数，以学习更好的量子特征映射。
2021-12-11 quant-ph
Pulse-based variational quantum optimization and metalearning in superconducting circuits
本文提出基于脉冲的变分量子优化框架，在超导电路中通过优化磁通量驱动波函数至基态，并引入元学习全局优化器，相比门控变分算法更具优势。
2024-07-17 quant-ph
Optimizing Counterdiabaticity by Variational Quantum Circuits
在数字化绝热演化中利用反绝热（CD）驱动（旨在抑制非绝热跃迁）引起了量子协议和算法的极大兴趣。然而，改善近似CD项与嵌套的交换子anonymous是一个具有挑战性的任务。在这项工作中，我们提出了一种技术，找到最佳系数的CD项使用变分量子线路。通过经典的优化程序，该电路的参数被优化，以提供对应于CD项的系数。并以最近邻伊辛模型的Greenberger-Horne-Zeilinger态制备为例，说明了它们的改进性能。最后，我们还显示了通常的量子近似优化算法的优势，在有界时间的保真度。
2022-08-03 quant-ph
Separation of Statistical Complexity and Trainability in Variational Quantum Circuits
University of Central Florida（中佛罗里达大学）
本文通过一维簇-Ising模型和广义环面码哈密顿量的数值实验，证明变分量子电路在统计复杂度接近随机态时仍可保持可训练性，揭示了有限深度下统计复杂度与可训练性的分离。
2026-06-18 quant-ph
Variational circuit compiler for quantum error correction
量子纠错是实现通用量子计算的关键。一个关键的组件是编码电路，它将物理量子比特的乘积状态映射到编码的多体纠缠逻辑状态。已知的方法通常在电路深度（以及因此误差负担）或目标平台的细节（即，系统的本机门和拓扑）方面不是“最优的”。本文介绍了一种变分编译器，它能在给定量子硬件条件下有效地找到一般量子纠错码的编码电路。专注于嘈杂的中间尺度量子制度，我们展示了如何系统地编译电路以下的优化过程，以尽量减少噪声操作的数量，允许由嘈杂的量子硬件或获得最高的保真度的编码状态与嘈杂的门。我们证明了我们的方法，推导出新的编码器的逻辑状态的五量子位代码和七量子位Steane代码。我们描述的方法来增加发现的电路与错误检测。该方法对量子纠错码编码电路的编译具有普遍的适用性。
2021-04-03 quant-ph
Clifford Circuit Initialisation for Variational Quantum Algorithms
提出了一种适用于中等规模量子计算机的变分量子算法的初始化方法。该方法使用模拟退火的有效模拟Clifford参数点作为预优化，找到一个低能量的初始条件。我们数值证明了该技术的有效性，以及它如何依赖于哈密顿结构，量子位数和电路深度。虽然考虑了一系列不同的问题，但我们注意到该方法对量子化学问题特别有用。这种方法可以帮助实现一个量子优势在嘈杂或容错的中间规模的设备，即使我们证明了一般的方法是不可任意扩展。
2022-07-04 quant-ph
Efficient Symmetry-Preserving State Preparation Circuits for the Variational Quantum Eigensolver Algorithm
变分量子本征求解器是利用噪声中尺度量子处理器进行化学模拟的最有前途的方法之一。该算法的效率关键取决于在量子处理器上准备多量子比特试验状态的能力，这些试验状态包括或至少接近模拟问题的实际能量本征态，同时避免与它们几乎没有重叠的状态。对称性在确定最佳试验状态中起着核心作用。在这里，我们提出了有效的状态准备电路，尊重粒子数，总自旋，自旋投影和时间反转对称性。这些电路包含的变分参数需要完全跨越适当的对称子空间所规定的化学问题，同时避免希尔伯特空间的所有不相关的部门的最小数量。我们展示了如何构建这些电路的任意数量的轨道，电子和自旋量子数，我们提供明确的分解和门计数在每种情况下的标准门集。我们在$H_2$和$LiH$分子的量子模拟中测试我们的电路，发现它们在精度和电路深度方面优于标准状态制备方法。
2020-01-15 quant-ph
Measurement-based infused circuits for variational quantum eigensolvers
本文将测量基模型思想融入传统VQE电路，实现多体哈密顿量的问题导向设计与通用实现，并在真实超导量子计算机上验证了该方法在多种测试床系统中的有效性。
2024-06-01 quant-ph
Universal Configuration for Optimizing Complexity in Variational Distributed Quantum Circuits
本研究证明变分分布式量子电路中存在通用最优配置，能以最小深度最大化电路复杂性，并通过马尔可夫矩阵度量及数值比较验证了该结论。
2025-08-06 quant-ph
Multi-variable integration with a variational quantum circuit
提出一种利用变分量子电路评估多变量积分的新策略，通过参数位移规则求导并基于积分基本定理估计积分值，支持部分积分和快速计算参数化被积函数。
2024-07-16 quant-ph
A Jacobi Diagonalization and Anderson Acceleration Algorithm For Variational Quantum Algorithm Parameter Optimization
变分量子算法（例如变分量子本征求解器（VQE）或量子近似优化算法（QAOA））的电路参数的优化是近期量子计算算法的实际部署的关键挑战。在这里，我们开发了一个混合量子/经典优化过程的启发雅可比对角化算法的经典特征分解，并结合安德森加速。在第一阶段中，通过在电路角度中的正交点处对可观测目标函数进行采样，对电路参数的局部聚类进行分析层析成像拟合。经典优化用于确定集群内的最佳电路参数，其他电路参数被冻结。然后在“扫描”中优化不同的电路参数簇，从而得到单调收敛的定点过程。在第二阶段，使用的不动点Jacobi过程的迭代历史，通过应用安德森加速/Pulay的直接反演的迭代子空间（DIIS）来加速收敛。这种Jacobi+Anderson方法的数值测试使用量子线路模拟器（无噪声）的一个代表性的测试情况下，从多状态，收缩变体的变分量子本征求解器（MC-VQE），并发现是有竞争力的，往往比鲍威尔的方法和L-BFGS更快。
2019-04-05 quant-ph
Universal Variational Quantum Computation
变分量子算法主导当代基于门的量子增强优化，特征值估计和机器学习。在这里，我们建立量子计算的普遍性变分量子计算通过开发两个目标函数，最小化准备输出的任意量子线路。变分量子计算的短暂资源是期望值的数量，这些期望值必须使用经典到量子的外环优化来迭代地最小化。这个优化问题的一个有效的解决方案是由量子线路本身进行模拟。第一种构造在包含$\mathcal{O}({poly} \ln n)$非Clifford门的$n$ -量子位电路的期望值的数量方面是有效的-期望值的数量与模拟电路中出现的Clifford门无关。第二种方法产生$\mathcal{O}(L^2)$期望值，同时引入不超过$\mathcal{O}(\ln L)$松弛量子位，对于划分为$L$门的量子线路。因此，基于目标函数和迭代反馈的经典评估的实用变分量子编程过程原则上与任何其他量子计算模型一样强大。这一结果提高了变分方法的形式地位，同时建立了一个新的通用模型的量子计算。
2020-12-29 quant-ph
Quality Diversity for Variational Quantum Circuit Optimization
本文提出一种直接基于矩阵的电路工程方法，利用质量多样性搜索与协方差矩阵自适应（QD-CMA）优化变分量子电路架构，以表达能力和门多样性为质量度量，在NP难组合优化问题上实现了优于基准算法的优化速度与求解质量。
2025-04-11 quant-ph
Late Breaking Results: Hardware-Aware Compilation Reshapes Trainability in Variational Quantum Circuits
eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校工程学院）；Center for Quantum and Topological Systems, NYUAD Research Institute, NYU Abu Dhabi（纽约大学阿布扎比分校研究学院量子与拓扑系统中心）
本文通过参数平移和梯度方差估计，研究了硬件感知编译（transpilation）对变分量子电路梯度统计的影响，发现编译会隐式改变优化景观结构，尤其影响浅层密集纠缠电路的可训练性。
2026-06-01 quant-ph
Variational approach to photonic quantum circuits via the parameter shift rule
本文基于玻色采样推导适用于可重构线性光学电路的参数偏移规则，以纳入噪声并计算导数与积分，并在6模式集成干涉仪上实验实现本征求解器和 Universal-Not 门。
2025-06-10 quant-ph
Characterizing the loss landscape of variational quantum circuits
由噪声中间尺度量子（NISQ）设备特别是变分量子线路（VQC）增强的机器学习技术最近引起了人们的极大兴趣，并且已经针对某些问题进行了基准测试。受经典深度学习的启发，VQC通过梯度下降方法进行训练，该方法允许在大参数空间上进行有效训练。对于NISQ规模的电路，这种方法表现出良好的收敛性。然而，仍然有许多悬而未决的问题有关的收敛性的损失函数和这些电路的可训练性的情况下消失的梯度。此外，目前还不清楚如何“好”的最小值的泛化和稳定性对扰动的数据，因此，有必要的工具，定量研究的收敛性的VQC。在这项工作中，我们介绍了一种计算VQC损失函数的Hessian的方法，并展示了如何用它来表征损失景观。Hessian的特征值提供了有关局部曲率的信息，我们讨论了如何解释这些信息并与经典神经网络进行比较。我们在几个例子上对我们的结果进行了基准测试，从一个简单的分析玩具模型开始，提供一些关于Hessian行为的直觉，然后到更大的电路，并根据数据对VQC进行训练。最后，我们展示了如何海森可以用来调整学习速度，以更快地收敛在训练变分电路。
2021-03-02 quant-ph
Parallel circuit implementation of variational quantum algorithms
提出拆分变分量子算法电路实现并行训练执行的方法，通过创建pQAOA验证其能解决更大规模问题且单切片即可训练完整模型，揭示了当前VQA编码存在冗余信息。
2023-04-06 quant-ph
Variational noise mitigation in quantum circuits: the case of Quantum Fourier Transform
本文提出用变分量子算法在噪声条件下模拟量子傅里叶变换，并引入互无偏基优化，以提升中小规模量子系统在相干噪声主导环境中的保真度与可靠性。
2025-11-07 quant-ph
QNEAT: Natural Evolution of Variational Quantum Circuit Architecture
本文提出QNEAT算法，将NEAT神经进化思想引入变分量子电路，以无梯度方式同时优化权重与架构，并在强化学习和组合优化任务上验证其有效性。
2023-04-14 quant-ph
Subspace Controllability in Variational Quantum Circuits: Maximising Expressivity and Increasing Search Efficiency with Dynamical Lie Algebras
Deutsches Zentrum für Luft- und Raumfahrt（德国航空航天中心）；Zentrum für Astronomie der Universität Heidelberg（海德堡大学天文中心）
该研究通过MNIST-1D多分类任务验证，子空间可控的变分量子电路在超参数搜索中更易达到最低损失，可限制搜索范围以降低计算成本。
2026-09-22 quant-ph
A sequentially generated variational quantum circuit with polynomial complexity
提出一种适用于1D/2D/3D量子多体问题的顺序生成线路拟设，能高效生成矩阵乘积态与弦键态，在量子态重构与基态寻找中相比替代方案更高效。
2023-05-22 quant-ph
Classical simulations of noisy variational quantum circuits
本文提出 LOWESA 经典模拟算法，结合谱分析、Pauli 反向传播与含噪随机电路模拟思想，可在温和噪声假设下高效估计含噪参数化量子电路的期望值。
2023-06-08 quant-ph
Pre-optimization of quantum circuits, barren plateaus and classical simulability: tensor networks to unlock the variational quantum eigensolver
Eviden Quantum Lab（Eviden量子实验室）；CPHT, CNRS, Ecole Polytechnique, IP Paris（法国国家科学研究中心，巴黎综合理工学院，巴黎文理研究大学）
本研究利用张量网络预优化量子电路，缓解barren plateau问题，提升变分量子本征求解器在大系统中的能量精度和经典模拟效率。
2026-02-04 quant-ph
One-Step Time Series Forecasting Using Variational Quantum Circuits
时间序列预测一直是机器学习领域一个发人深省的话题。机器学习科学家将时间序列定义为在一致的时间步长内记录的一组观察结果。时间序列预测是一种分析数据并发现变量如何随时间变化的方法，从而预测未来值。在这种预测中，时间至关重要，因为它显示了数据如何在数据集和最终结果上协调。它还需要一个大的数据集来确定规律性和可靠性。量子计算机可能被证明是一个更好的选择，通过利用量子力学现象，如叠加和纠缠来感知时间序列的趋势。在这里，我们考虑使用变分量子线路的一步时间序列预测，并记录不同数据集的观测。
2022-07-16 quant-ph
Alternating Layered Variational Quantum Circuits Can Be Classically Optimized Efficiently Using Classical Shadows
变分量子算法（VQA）是经典神经网络（NN）的量子模拟。VQA由参数化的量子线路（PQC）组成，该参数化的量子线路由仅在参数的选择上不同的多层ansatze（更简单的PQC，其是NN层的类比）组成。先前的工作已经确定交替分层的量子阱可能是近期量子计算中的新的标准量子阱。事实上，浅层交替分层VQA很容易实现，并且已被证明是可训练和表达的。在这项工作中，我们引入了一个训练算法，这种VQA的训练成本呈指数级下降。此外，我们的算法使用量子输入数据的经典阴影，因此可以在具有严格性能保证的经典计算机上运行。我们证明了2- 3个数量级的改进，在训练成本使用我们的算法的例子问题，找到状态准备电路和量子自动编码器。
2022-08-24 quant-ph
Improving Variational Quantum Circuit Optimization via Hybrid Algorithms and Random Axis Initialization
Aalto University（阿尔托大学）；University of Jyväskylä（于韦斯屈莱大学）
本文提出混合算法结合Rotosolve和FQS，提升变分量子电路优化性能。
2025-12-17 quant-ph
Tensor-network-assisted variational quantum algorithm
本文提出张量网络辅助的参数化量子电路，通过级联经典张量网络算子提升浅层量子电路表达能力，并在二维 Ising 模型和一维时间晶体模型中验证其优于传统浅层量子电路方法。
2023-11-30 quant-ph
Operator Learning with Variational Quantum Circuits
University of Pittsburgh（匹兹堡大学）
提出一种基于变分量子电路扩展DeepONet框架的量子机器学习方法，用于学习微分方程解算子，在浅电路下误差低且无贫瘠高原，误差界优于经典方法。
2026-09-15 quant-ph
Improve Variational Quantum Eigensolver by Many-Body Localization
针对变分量子算法中因量子比特数和电路深度增加导致的贫瘠高原问题，将多体局域弗洛凯系统应用于变分量子算法，设计多体局域化近似，有效避免贫瘠高原，显著改进算法性能。
2024-09-05 quant-ph
Surviving The Barren Plateau in Variational Quantum Circuits with Bayesian Learning Initialization
变分量子-经典混合算法被认为是近期在量子计算机上解决实际问题的一种很有前途的策略。虽然这种方法减少了量子机器所需的量子位和操作的数量，但它给经典优化器带来了沉重的负担。虽然经常被低估，后者是一个计算困难的任务，由于参数化量子线路中的贫瘠高原现象。由于缺乏梯度等引导特征，传统的优化策略随着量子比特数量的增加而变得无效。在这里，我们介绍了快速和慢速算法，它使用贝叶斯学习来识别参数空间中的一个有希望的区域。这用于初始化快速局部优化器以有效地找到全局最优点。我们说明了这种方法的有效性上的酒吧和条纹（BAS）量子生成模型，这已经在几个量子硬件平台上进行了研究。我们的研究结果移动变分量子算法更接近他们在量子化学，组合优化，和量子模拟问题的预期应用。
2022-03-04 quant-ph
Classical variational optimization of PREPARE circuit for quantum phase estimation of quantum chemistry Hamiltonians
提出一种仅用经典计算机变分优化构建量子化学分子哈密顿量量子相位估计PREPARE电路的方法，无需辅助量子比特，使T门数量实现常数因子减少，适用于容错量子计算早期资源受限场景。
2025-05-01 quant-ph
Optimality of Finite-Support Parameter Shift Rules for Derivatives of Variational Quantum Circuits
变分（或参数化）量子线路是包含实数参数的量子线路，其需要被优化/“训练”以实现期望的量子计算效果。对于这种训练，解析导数（与数值推导相反）是有用的。参数移位规则作为通过统计估计获得解析导数的一种方式已经受到关注。在本文中，使用傅立叶分析，我们的特点是所有的移位规则，实现一个给定的固定偏导数的多参数VQC的设置。然后，使用凸优化，我们展示了如何寻找具有最小标准差的移位规则导致凸优化问题的原始-对偶对。我们从理论上研究了这些优化问题，证明了一个强对偶定理，并用它建立了几个VQC族的最优对偶解。这也证明了一些已知的移位规则的最优性，并回答了奇怪的开放问题。作为一个副产品，我们展示了如何有效地计算最佳的移位规则，以及如何已知的最佳对偶解决方案的帮助。
2022-04-17 quant-ph
Variational determination of arbitrarily many eigenpairs in one quantum circuit
最先进的量子计算硬件已经进入了噪声中尺度量子（NISQ）时代。尽管受到量子比特数量有限和电路深度较浅的限制，NISQ器件仍然在各种主题上展示了应用潜力。一个例子是变分量子本征求解器（VQE），其首先被引入用于计算基态。虽然VQE现在已经扩展到激发态的研究，以前提出的算法涉及一个递归优化方案，需要许多额外的操作与显着更深的量子线路，以确保不同的试验状态的正交性。本文提出了一种新的同时确定多个低能本征态的算法。通过引入辅助量子比特来净化试验态，使它们在整个优化过程中保持相互正交，我们的算法可以在一个量子线路中高效地计算这些态。我们的算法显着降低了电路的复杂性和读出误差，并使灵活的后处理的特征子空间，从该特征对可以准确地确定。我们证明了这种算法，将其应用到横向伊辛模型。通过将该变分算法的结果与精确算法的结果进行比较，我们发现，随着电路深度的增加，哈密顿量的特征值迅速收敛。收敛特征值的精度是相同的顺序，这意味着任何两个特征值之间的差异可以更准确地确定比特征值本身。
2022-06-22 quant-ph
BAHAMAS: A Control Plane for Optimization and Execution of Variational Quantum Circuits
University of Utah（犹他大学）；Rice University（莱斯大学）
BAHAMAS是一种在线控制框架，通过自适应选择物理映射稳定变分量子算法的优化，可提升真实量子设备上的优化可靠性并支持漂移下的推理时重定向。
2026-10-30 cs.ET quant-ph
Variational Quantum Eigensolver with Reduced Circuit Complexity
变分量子本征求解器（VQE）是求解含噪声中尺度量子器件上给定哈密顿量的本征值和本征向量的最有前途的算法之一。一个特别的应用是获得分子的基态或激发态。实际实现目前受到量子线路复杂性的限制。本文提出了一种新的方法来降低VQE中电子结构计算的量子线路复杂度。我们的算法，被称为quantiterVQE，将初始量子位空间分割成子空间（量子位簇），这些子空间进一步分布在各个（较浅的）量子线路上。基于反映量子比特之间最大纠缠的量子互信息来获得团簇，而不同团簇之间的纠缠通过新的“打扮”哈密顿量来考虑。因此，与标准VQE相比，ChronterVQE可以使用更少的量子位和更浅的电路深度来精确模拟问题，但需要额外的经典资源。此外，在这项工作中，一个新的梯度测量方法，而不使用辅助量子比特也被开发。几个分子系统的量子模拟器的基础上，以及IBM量子设备与伴随的错误缓解的原理证明演示。新算法的效率与量子比特-ADAPT-VQE和迭代量子比特耦合簇（iQCC）相当，甚至比其更高，这是最先进的电路高效VQE方法，用于在NISQ硬件上获得分子的变化基态能量。最重要的是，新的VQE算法同时减少了量子位数和电路深度，使其成为NISQ设备上量子化学模拟的潜在领导者。
2021-06-14 quant-ph
Surrogate-based optimization for variational quantum algorithms
变分量子算法（英语：Variational quantum algorithms）是一种用于近期量子计算机的技术。这些算法的目标是通过将问题分解为大量浅量子线路来执行大型量子计算，并在每个电路执行之间进行经典优化和反馈。提高这些算法性能的途径之一是增强经典优化技术。考虑到传统计算资源的相对容易和丰富，有足够的机会这样做。在这项工作中，我们介绍了学习替代模型的变分电路使用几个实验测量的想法，然后使用这些模型进行参数优化，而不是原始数据。我们证明了这一想法使用代理模型的基础上核近似，通过它，我们重建局部补丁的变分成本函数使用批量的噪声量子线路的结果。通过应用于量子近似优化算法和分子基态的制备，我们证明了基于替代的优化比常用的变分算法的优化技术的优越性。
2023-03-23 quant-ph
Time-Optimal Quantum Driving by Variational Circuit Learning
本文提出用混合量子-经典变分线路学习求解最优量子控制，通过有限量子比特设备模拟囚禁粒子波包展开，揭示控制相变与量子速度极限的联系，并验证鲁棒性且无贫瘠高原。
2022-11-01 quant-ph
Sub-universal variational circuits for combinatorial optimization problems
Department of Physics, University of Colorado Boulder, Boulder, CO 80309, USA（科罗拉多大学博尔德分校物理系）；University of Technology Sydney, Centre for Quantum Software（悉尼技术大学量子软件中心）；Department of Electrical, Computer and Energy Engineering, University of Colorado Boulder, Boulder, Colorado 80309, USA（科罗拉多大学博尔德分校电气、计算机与能源工程系）
提出一种基于二比特随机矩阵的经典概率变分线路求解组合优化问题，在多种规模的 Max-Cut 问题上优于 QAOA，为评估量子变分线路性能提供了次通用门集基准。
2025-09-14 cs.LG quant-ph
Investigating potential energy surfaces of noncollinear molecule using variational quantum circuit
我们演示了一个非共线分子，例如H2O分子的模拟使用变分量子本征求解器（VQE）与高化学精度。报道了二维和三维势能面（PES）。利用Qiskit运行时程序的潜在加速能力，经过多次迭代得到变分量子线路的最优初始参数，从而实现了对完全哈密顿量精确对角化得到的水的PES匹配结果的准确预测.
2021-09-01 cond-mat.mtrl-sci quant-ph
Circuit Design Informed Adaptive Variational Quantum Algorithms
Centre for Quantum Technologies（量子技术中心）；Institute for Quantum Computing and Quantum Technologies, NCSR Demokritos（德谟克利特国家科学研究中心量子计算与量子技术研究所）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）；AngelQ Quantum Computing（AngelQ量子计算）
研究在噪声中等规模量子时代开发高效资源变分量子算法，核心方法是结合电路设计考量，如哈达玛测试电路架构等，贡献是证明可减少测量开销，资源需求降低25%到50%-55%。
2026-07-07 quant-ph
Variational Quantum Support Vector Machine based on $Γ$ matrix expansion and Variational Universal-Quantum-State Generator
我们使用基于变分量子电路模型的支持向量机分析了一个二进制分类问题。我们建议通过使用$Γ$矩阵展开来求解支持向量机的线性方程。此外，它表明，任意量子态的制备，通过优化的通用量子线路表示的任意$U(2^N)$基于最速下降法。它可能是现场可编程门阵列（FPGA）的量子推广。
2021-01-20 quant-ph
Learning Variational Quantum Circuit Parameters with Classical Artificial Intelligence for Quantum Phase Transition Detection
Center for Quantum Technology Research and Key Laboratory of Advanced Optoelectronic Quantum Architecture and Measurements (MOE), School of Physics, Beijing Institute of Technology（北京理工大学物理学院量子技术研究中心与先进光电子量子架构及测量教育部重点实验室）
本文提出利用经典人工智能学习变分量子电路参数，以无监督方式检测量子相变，尤其在拓扑相变识别中表现优异。
2026-02-01 quant-ph
Classically optimal variational quantum algorithms
混合量子经典算法，如变分量子算法（VQA），适合在NISQ计算机上实现。在这封信中，我们扩展了一个隐式步骤的VQA：经典的预计算子程序，可以非平凡地使用经典算法来简化，变换，或指定问题的实例特定的变分量子线路。在VQA中，在解决方案的质量与电路构造和优化的难度之间存在权衡。在一个极端中，我们发现MAXCUT的VQA是精确的，但电路设计或变分优化是NP难的。在另一个极端是低深度VQA，如QAOA，具有易处理的电路构造和优化，但近似比差。结合这两个，我们定义的生成树QAOA（ST-QAOA）来解决MAXCUT，它使用一个其结构是来自一个近似的经典解决方案，并实现了相同的性能保证经典算法，因此可以优于QAOA在低深度。在一般情况下，我们建议将这些经典的预计算子程序集成到VQA，以提高启发式或保证性能。
2021-03-31 quant-ph
Beyond Logical Circuits: Hardware-Aware Analysis of Expressibility and Trainability in Variational Quantum Algorithms
Division of Engineering, New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校工程学院）；Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, NYUAD（纽约大学阿布扎比分校研究院量子与拓扑系统中心）
本文通过比较逻辑和硬件编译后的参数化量子电路，系统分析了变分量子算法中表达能力和可训练性受硬件感知编译的影响，发现编译会显著改变电路特性且依赖具体架构。
2026-05-25 quant-ph
