QAdaPrune: Adaptive Parameter Pruning For Training Variational Quantum Circuits
Fujitsu Research of America（美国富士通研究院）；University of Delaware（特拉华大学）
本文提出自适应参数剪枝算法QAdaPrune，通过自动确定阈值并剪枝冗余参数来降低变分量子线路的参数复杂度，在保持性能的同时缓解贫瘠高原问题并提升可训练性。
2024-08-23 cs.LG quant-ph
Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits
School of Computer Science, Faculty of Engineering, The University of Sydney（悉尼大学工程学院计算机科学学院）
针对深度变分量子电路的梯度指数消失问题，本文提出带理论保证的高斯初始化策略，证明梯度范数至多多项式衰减，并通过量子模拟与量子化学实验验证。
2025-02-19 cs.LG quant-ph
On the explainability of quantum neural networks based on variational quantum circuits
Istanbul Medeniyet University（伊斯坦布尔梅德尼耶特大学）
本文证明基于变分量子线路的量子神经网络可表示为岭函数的线性组合，从而将其可解释性研究转化为岭函数线性组合的逼近问题。
2024-10-23 cs.LG quant-ph
Variational Quantum Circuits for Quantum State Tomography
National University of Defense Technology（国防科技大学）；National Innovation Institute of Defense Technology（国防科技创新研究院）
量子态层析成像是大多数量子实验中的关键过程。在这项工作中，我们采用量子机器学习进行状态层析成像。给定一个未知的量子态，它可以通过最大化变分量子线路的输出和这个状态之间的保真度来学习。变分量子线路的参数数量随着量子比特的数量和线路深度线性增长，因此即使对于高度纠缠的状态，也只需要多项式测量。然后，利用经典电路模拟器将变分量子线路中的目标量子态信息转换为常见的形式。我们证明了我们的方法进行数值模拟的一维量子自旋链的基态的层析成像，使用变分量子线路模拟器。该方法适用于近期的量子计算平台，可用于实验相关量子态的相对大规模量子态层析成像。
2020-04-12 cs.LG physics.comp-ph quant-ph
Neural-network Generated Quantum State Can Mitigate the Barren Plateau in Variational Quantum Circuits
The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本研究通过神经网络生成量子态来缓解变分量子电路中的贫瘠高原问题。
2025-11-27 quant-ph
Comparative study of variational quantum circuit and quantum backpropagation multilayer perceptron for COVID-19 outbreak predictions
Delhi Technological University（德里理工大学）；CHRIST (Deemed to be University)（克里斯大学（被视为大学））
有许多量子神经网络模型已被应用于各种问题，如图像分类，模式识别等。量子启发算法已经有相当一段时间了。最近，在NISQ时代，混合量子经典模型已经显示出有希望的结果。多特征回归是经典机器学习中常见的问题。因此，我们提出了一个连续变量量子神经网络（变分电路）和量子反向传播多层感知器（QBMLP）的比较分析。我们选择了预测印度和美国COVID-19病例增加的当代问题。我们提供了两个模型之间的统计比较，这两个模型的性能优于经典的人工神经网络。
2020-08-19 cs.LG quant-ph
Energy-dependent barren plateau in bosonic variational quantum circuits
University of Southern California（南加州大学）
针对玻色连续变分量子电路的可训练性难题，本文揭示了依赖电路能量的贫瘠高原现象，证明梯度方差随模式数指数衰减且随电路能量多项式衰减，并提出通过控制电路能量来缓解该现象的策略。
2023-05-02 cs.LG quant-ph
Enhancing the Trainability of Variational Quantum Circuits with Regularization Strategies
Boise State University（博伊斯州立大学）；University of Cincinnati（辛辛那提大学）
针对变分量子电路（VQCs）训练中存在的贫瘠高原和鞍点等梯度问题，提出结合训练数据先验知识与高斯噪声扩散的参数正则化策略，经四个公开数据集消融研究验证，该策略有效提升了VQCs的可训练性。
2025-08-25 cs.LG quant-ph
An Algorithm for Fast Supervised Learning in Variational Circuits through Simultaneous Processing of Multiple Samples
本文提出了一种新的变分分类器的快速训练算法。该算法可适用于变分电路中使用的任何模拟器。所提出的算法在前向传递中利用qRAM和其他量子线路。此外，而不是通常的做法，计算损失的经典，我们计算损失使用互换测试电路。因此，当在N个样本的数据集上训练时，该算法将变分分类器的训练成本从通常的O（N）降低到O（logN）。虽然本文只讨论了二分类问题，但该算法可以很容易地推广到多类分类问题。
2020-11-29 quant-ph
Reinforcement Learning with Quantum Variational Circuits
Rensselaer Polytechnic Institute（伦斯勒理工学院）
近年来，量子计算技术的发展取得了很大进展，与深度强化学习技术的进步平行。这项工作探讨了量子计算促进强化学习问题的潜力。由于量子计算能够利用叠加和纠缠的量子现象，因此相对于传统算法，它在时间和空间复杂度方面提供了重要的潜在改进。具体来说，我们研究了量子变分电路的使用，这是量子机器学习的一种形式。我们给出了量子变分电路中经典数据的编码技术，进一步探讨了DQN和Double DQN的纯量子和混合量子算法。我们的研究结果表明，混合和纯量子变分电路都有能力解决具有较小参数空间的强化学习任务。这些比较是在两个OpenAI Gym环境中进行的：CartPole和Blackjack，这项工作的成功表明了量子机器学习和深度强化学习之间的强大未来关系。
2020-08-28 cs.LG quant-ph stat.ML
Maximising Quantum-Computing Expressive Power through Randomised Circuits
Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）；Graduate School of China Academy of Engineering Physics（中国工程物理研究院研究生院）
针对含噪声中等规模量子时代VQAs受门数和贫瘠高原限制的表达能力问题，提出用人工神经网络参数化随机电路分布的新方法，可通过增加计算时间在固定门数下提升表达能力，还建立了变分量子本征求解器相关参数的明确关系，为实现高表达量子计算提供新途径。
2023-12-04 cs.LG quant-ph
Qubit-Wise Architecture Search Method for Variational Quantum Circuits
Fudan University（复旦大学）
针对量子机器学习中需设计少门高性能变分量子电路的需求，提出逐量子比特架构搜索方法，结合蒙特卡洛树搜索划分搜索空间，在多任务上实现准确率与电路规模的SOTA表现。
2024-03-07 cs.LG quant-ph
Variational Quantum Circuit Decoupling
本文提出变分解耦算法，将 n 量子比特幺正门分解为多个独立演化的子组件，并应用于量子电路综合，数值实验表明其能实现传统变分电路无法达到的 2 和 4 量子比特门保真度。
2024-06-09 quant-ph
Reinforcement Learning for Variational Quantum Circuits Design
Politecnico di Milano（米兰理工学院）
本研究利用强化学习设计变分量子电路，发现新型ansatz家族，提升优化问题求解效率。
2024-09-09 cs.LG quant-ph
Hierarchical Learning for Quantum ML: Novel Training Technique for Large-Scale Variational Quantum Circuits
BlueQubit Inc（BlueQubit公司）；Institute for Quantum Information and Matter, Caltech（加州理工学院量子信息与物质研究所）；University of California, Berkeley（加州大学伯克利分校）
提出分层学习架构，通过优先学习高有效位参数防止贫瘠高原，在27量子比特上实现约4%误差的高斯分布加载，首次展示大规模量子比特变分学习。
2023-11-21 cs.LG quant-ph
A practical overview of image classification with variational tensor-network quantum circuits
量子机器学习的电路设计仍然是一个巨大的挑战。受张量网络在不同领域的应用及其在经典机器学习环境中的新颖存在的启发，设计变分电路的一种方法是将电路架构基于张量网络。在这里，我们全面描述张量网络量子线路以及如何在模拟中实现它们。这包括利用电路切割，这是一种用于评估具有比当前量子设备更多量子位的电路的技术。然后，我们通过使用PennyLane（一个用于量子计算机差分编程的开源Python库）模拟各种张量网络量子线路来说明计算要求和可能的应用。最后，我们演示了如何将这些电路应用于日益复杂的图像处理任务，完成了对设计可应用于工业相关机器学习任务的电路的灵活方法的概述。
2022-09-22 quant-ph
Efficient estimation of trainability for variational quantum circuits
针对变分量子电路受贫瘠高原问题影响导致训练难、可训练性难判定的问题，提出基于随机初始化电路到Clifford电路的精确映射的高效梯度计算方法，可验证电路可训练性，已在100量子比特规模验证。
2023-09-07 quant-ph
Active Learning with Variational Quantum Circuits for Quantum Process Tomography
University of Science and Technology of China（中国科学技术大学）
本文提出一种基于变分量子电路的主动学习框架，通过自适应选择最具信息量的量子态子集来提升量子过程层析的重构精度，并在最多七比特的随机量子电路上验证了其显著优于随机选择策略的效果。
2025-06-05 cs.LG quant-ph
Variational quantum circuits to prepare low energy symmetry states
我们探讨如何建立量子线路，计算最低能量状态对应于一个给定的哈密顿量的对称子空间内明确编码到电路。我们创建了一个显式酉变换和一个变分训练酉变换，它将任意一个自定义子空间输出的向量映射到对称空间中的一个向量。这些参数被可变地训练以最小化能量，从而将输出保持在标记的对称值内。利用旋转和反射对称性对自旋XXZ哈密顿量以及利用S^2对称性对Sz = 0子空间内的H2哈密顿量进行了检验。我们已经发现变分训练的酉令人惊讶地给出非常好的结果，具有非常低的深度电路，因此可以用于在近期量子计算机内制备对称态。
2021-12-23 quant-ph
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
Variational Quantum Circuits for Deep Reinforcement Learning
National Taiwan University（台湾大学）；Georgia Institute of Technology（佐治亚理工学院）；IBM Research（IBM研究院）
最先进的机器学习方法是基于经典的冯·诺依曼计算体系结构，并已广泛应用于许多工业和学术领域。随着量子计算的最新发展，研究人员和科技巨头已经尝试了新的量子电路用于机器学习任务。然而，由于深度量子电路的复杂性，现有的量子计算平台很难模拟经典的深度学习模型或问题。因此，有必要设计可行的量子算法用于噪声中间尺度量子（NISQ）设备的量子机器学习。这项工作探索了用于深度强化学习的变分量子电路。具体来说，我们将经典的深度强化学习算法（如经验重放和目标网络）重塑为变分量子电路的表示。此外，我们使用量子信息编码方案，以减少模型参数的数量相比，经典的神经网络。据我们所知，这项工作是变分量子电路的第一个原理证明，以近似决策和策略选择强化学习的深度$Q$价值函数，并具有经验重放和目标网络。此外，我们的变分量子电路可以部署在许多近期NISQ机器。
2020-07-20 cs.AI cs.LG 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
Investigating and Mitigating Barren Plateaus in Variational Quantum Circuits: A Survey
Boise State University（博伊西州立大学）
该综述针对变分量子电路（VQCs）因量子比特数或层数增加导致梯度方差急剧消失的贫瘠高原（BPs）问题，从研究与缓解角度系统梳理文献，提出五类缓解策略分类法并对比相关综述，为BPs未来研究提供方向。
2025-02-09 cs.LG quant-ph
Quantum Phase Classification of Rydberg Atom Systems Using Resource-Efficient Variational Quantum Circuits and Classical Shadows
York University, Toronto, Canada（约克大学）；Modern School Vaishali, India（瓦伊什利现代学校）；Pusan National University, Busan, South Korea（釜山国立大学）
本研究提出结合经典阴影层析与变分量子电路的资源高效方法，在51原子链上以2量子比特电路实现Z2/Z3相100%分类准确率，证明最小量子资源即可高精度完成相分类。
2025-10-27 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
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
Transfer Learning Analysis of Variational Quantum Circuits
AI \& ML Department Brookhaven National Laboratory Upton NY, USA；Department of Mathematics；Computer Science Seton Hall University South Orange NJ, USA
本文分析了变分量子线路（VQC）的迁移学习，建立了基于1参数酉子群过渡和损失界分析的形式体系，并推导出实现相似域适应最优过渡的解析微调方法。
2025-07-14 cs.AI cs.LG 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
Universal Effectiveness of High-Depth Circuits in Variational Eigenproblems
Institute for Advanced Study（高等研究院）；Samsung Research（三星研究院）；Korea Institute for Advanced Study（韩国高等研究院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
我们探讨了变分量子线路在模拟量子多体哈密顿量的基态中的有效性。我们表明，通用的高深度电路，执行一系列相同形式的层酉，可以准确地近似所需的状态。我们通过使用两个具有非常不同性质的汉密尔顿系统：横向场伊辛模型和萨赫德夫-叶-基塔耶夫模型来证明他们的普遍成功。高深度电路的能量景观具有用于基于梯度的优化的适当结构，即，局部极值的存在-在任何随机初始点附近-达到地电平能量。我们进一步测试电路的复制随机量子态的能力，通过最小化欧几里德距离。
2021-03-08 cond-mat.str-el cs.LG hep-th
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
Image Classification with Rotation-Invariant Variational Quantum Circuits
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA)（伊克兰技术研究中心、巴斯克研究与技术联盟）；Donostia International Physics Center（多诺西亚国际物理中心）
针对变分量子算法中的贫瘠高原问题，本研究引入具有C₄旋转标签对称性的等变架构构建旋转不变变分量子分类器，经基准测试性能提升，还提出经典等变卷积以扩展模型处理更大图像。
2024-12-19 cs.CV cs.LG 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
Reducing circuit depth in adaptive variational quantum algorithms via effective Hamiltonian theories
电子结构模拟是量子计算机的一个预期应用。由于强关联系统中存在高维的量子纠缠，进行这种模拟所需的量子资源远远超出了当前量子器件的能力。为了降低量子线路的复杂性，有人建议将电子关联的一部分合并到有效哈密顿量中，有效哈密顿量通常从电子哈密顿量的相似变换获得。在这项工作中，我们引入了一个新的变换的形式的产品的线性组合的激发运营商构建有效的哈密顿量与有限项。为了证明它的准确性，我们还考虑了一个等效的自适应变分算法与此变换，并表明它可以获得一个准确的基态波函数。该变换定义的有效哈密顿量被引入到自适应变分量子算法中，以保持恒定尺寸的量子线路。新的计算方案进行了评估，通过对小分子进行数值模拟。化学精度是实现了一个更浅的电路深度。
2022-01-23 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
The Variational Power of Quantum Circuit Tensor Networks
在物理多体基态表象下，刻画了量子线路张量网络的变分幂。这种张量网络是通过用局域量子线路代替标准张量网络中的稠密块幺正和等距而形成的。我们研究了量子线路矩阵乘积态和量子线路多尺度纠缠重正化方法，并引入了一种自适应方法来优化所得到的线路，使其具有多个$10^4$参数，达到高保真度.我们对标准张量网络，以及其他常见的电路架构，为1D/2D海森堡和1D费米-哈伯德模型的表现力进行基准测试。我们发现，对于这些问题，量子线路张量网络比其他量子线路更有表现力，它们甚至可以比标准张量网络更紧凑。外推到电路的深度，它不能再被经典地模拟，这表明了一个区域的优势，在量子表现力的表示物理基态。
2021-11-05 cond-mat.str-el quant-ph
Solving Quantum Statistical Mechanics with Variational Autoregressive Networks and Quantum Circuits
我们扩展了酉量子线路的能力，它与经典的自回归神经网络接口。组合模型将变分密度矩阵参数化为量子纯态的经典混合，其中自回归网络生成比特串样本作为量子线路的输入状态。针对量子统计力学问题，我们设计了一种有效的变分算法来联合优化经典神经网络和量子线路。人们可以得到热观测量，如变分自由能、熵和比热。作为副产品，该算法还提供了访问低能量激发态。我们展示了应用程序的热性能和激发光谱的量子伊辛模型的资源，是可行的近期量子计算机。
2019-12-24 cond-mat.stat-mech cond-mat.str-el quant-ph
Optimizing Variational Quantum Circuits using Evolution Strategies
这个版本被arXiv管理员撤回，因为在提交的时候，子程序没有权利同意我们的许可证。
2018-06-12 cs.NE quant-ph stat.ML
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
Logical Abstractions for Noisy Variational Quantum Algorithm Simulation
由于现有量子计算机原型的不可靠性和有限的容量，量子线路模拟仍然是验证下一代量子计算机和研究变分量子算法的重要工具，变分量子算法是有用的量子计算的主要候选者之一。现有的量子线路模拟器没有解决变分算法的共同特征，即：1）它们与噪声量子比特和操作一起工作的能力，2）它们重复执行相同的电路但具有不同的参数，以及3）它们从电路最终波函数采样以驱动经典优化例程的事实。我们提出了一个基于逻辑抽象的量子线路仿真工具链，用于模拟变分算法。我们提出的工具链在概率图形模型中编码量子振幅和噪声概率，并将电路编译为逻辑公式，以支持针对不同参数对量子线路进行有效的重复模拟和采样。与最先进的状态矢量和密度矩阵量子线路模拟器相比，我们的模拟方法在从至少8到20个量子比特的噪声电路中采样时提供了更好的性能，并且每个量子比特上有大约12个操作，使得该方法非常适合模拟近期变分量子算法。对于模拟32量子比特的无噪声浅量子电路，与基于张量网络收缩的量子线路模拟技术相比，我们的模拟方法提供了$66\times$在采样成本上的降低。
2021-03-31 cs.ET 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
Abrupt Transitions in Variational Quantum Circuit Training
变分量子算法主导了现代量子处理器的基于门的应用。所谓的{ \it逐层可训练性猜想}出现在贯穿变分量子计算文献的各种著作中。该猜想断言量子线路可以分段训练，例如~可以按顺序训练几层以最小化目标函数。这里我们证明这个猜想是错误的。通过考虑指数接近（量子比特数）单位矩阵的目标函数来找到反例。在有限的设置中，我们发现量子线路的训练能力突然转变，以最小化这些目标函数。具体来说，我们发现，低于一个关键的（目标门依赖）阈值，电路训练终止接近身份，并保持接近身份的后续添加块训练分段。临界层深度将突然训练任意接近目标，从而使目标函数最小化。这些发现为变分量子线路的分而治之的可训练性提供了新的线索，并适用于当代文献的广泛收集。
2020-10-19 cond-mat.dis-nn quant-ph
Variational learning of integrated quantum photonic circuits
本文提出一种面向集成光子电路的变分学习方法，将后选择与基本光子元件直接纳入训练，把复杂电路作为单个非线性逻辑算子进行统一设计，并在芯片上实时优化参数，成功演示了单辅助CNOT门设计和首次集成光子量子随机模拟。
2024-11-19 physics.comp-ph 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
