Advantage for Discrete Variational Quantum Algorithms in Circuit Recompilation
该研究针对量子电路重编译任务，证明自适应访问量子硬件的离散变分量子算法相比仅依赖初始数据集的非自适应方法存在指数级优势，验证了自适应量子访问的根本性价值。
2025-10-01 cs.NE quant-ph
Resource reduction for variational quantum algorithms by non-demolition measurements
本研究比较了投影测量与非破坏性测量两种变分量子算法实现，发现非破坏性方法在计算资源上更具优势，且优势随系统复杂度线性增长。
2025-03-31 quant-ph
Advantage of discrete variable representation in variational quantum eigensolvers for vibrational energy calculations
University of British Columbia（不列颠哥伦比亚大学）；Stewart Blusson Quantum Matter Institute（斯图尔特·布拉森量子物质研究所）
本文提出利用离散变量表示方法高效计算振动能量，通过量子电路构建分子哈密顿量，实现浅层量子电路高精度结果。
2026-03-29 quant-ph
Challenging the Quantum Advantage Frontier with Large-Scale Classical Simulations of Annealing Dynamics
本文利用Jastrow-Feenberg波函数的时间依赖变分蒙特卡洛方法，在128自旋三维金刚石晶格上以多项式资源高效模拟量子退火，精度媲美甚至超越量子硬件，从而显著移动了量子优势前沿。
2025-03-11 quant-ph
Symmetry enhanced variational quantum spin eigensolver
变分量子经典算法是在近期量子模拟器上实现量子优势的最有前途的方法。在这些方法中，变分量子本征求解器近年来引起了人们的广泛关注。虽然它是非常有效的模拟多体系统的基态，其推广到激发态变得非常资源需求。在这里，我们表明，这个问题可以显着改善利用对称性的哈密顿量。这种改进对于更高能量的本征态甚至更有效。我们介绍了两种方法将对称性。在第一种方法中，称为硬件对称性保持，所有的对称性都包括在电路的设计中。在第二种方法中，更新成本函数以包括对称性。硬件对称性保持方法确实优于第二种方法。然而，在电路设计中集成所有对称性可能极具挑战性。因此，我们引入混合对称性保持方法，其中对称性之间的电路和经典的成本函数分开。这允许利用对称性的优点，同时防止复杂的电路设计。
2023-01-11 quant-ph
Variational LOCC-assisted quantum circuits for long-range entangled states
提出一种量子-经典混合变分算法，通过引入高效参数梯度估计和避免贫瘠高原条件，寻找制备长程纠缠态基态的最优LOCC协议，在准确性和纠缠创造上优于传统酉变分线路。
2025-05-15 quant-ph
Post-Variational Ground State Estimation via QPE-Based Quantum Imaginary Time Evolution
针对容错量子计算机的后变分基态估计问题，提出无需参数优化的QPE-QITE算法，通过辅助量子比特投影低能本征态，在LABS问题验证能力并提供魔法态缩放估计，为量子优势建立基准。
2025-04-15 quant-ph
Quantum Advantage in Variational Bayes Inference
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出量子退火变分贝叶斯（QAVB）推断算法，利用量子力学基态与退火过程避免局部最小值，在保持时间复杂度不变的同时实现优于经典VB算法的性能。
2022-07-07 cond-mat.stat-mech cs.LG quant-ph
Four-Qubit Variational Algorithms in Silicon Photonics with Integrated Entangled Photon Sources
本文首次在室温硅光子集成电路上，利用四个集成自发四波混频光子对源制备路径纠缠四维量子态，成功演示了氢分子变分量子本征求解和半素数变分量子因式分解两种变分量子算法。
2025-01-02 quant-ph
Variational Tensor Network Simulation of Gaussian Boson Sampling and Beyond
提出一种基于张量网络变分法的经典模拟工具，将连续变量采样问题转化为哈密顿量基态求解，可模拟高斯及非高斯玻色采样，并开发局部基优化技术以降低开销。
2025-08-08 quant-ph
Hardware-efficient variational quantum algorithms for time evolution
参数化量子线路是实现量子优势的一种有前途的技术。一个重要的应用是量子系统时间演化的变分模拟。为了充分利用量子硬件，变分算法需要尽可能提高硬件效率。在这里，我们提出了替代方案的时间相关的变分原理，是硬件高效，不需要矩阵求逆。相对于虚时间演化，我们的方法显着降低了硬件要求。关于实时进化，高精度是很重要的，我们提出了系统地提高精度和硬件要求的算法。我们数值分析我们的算法使用量子哈密顿与本地相互作用的性能。
2021-07-27 quant-ph
Variational quantum algorithm with information sharing
我们介绍了一种变分量子算法的优化方法，并通过实验证明，与天真的实现相比，效率提高了100倍。我们的方法的有效性示出通过获得小分子和自旋模型的多维能量表面。我们的方法解决了相关的变分问题，并行利用贝叶斯优化和不同的优化之间共享信息的全球性。我们的方法非常适合于下一代的变分问题，许多物理自由度。这解决了一个关键的挑战，在规模扩大量子算法，以证明量子优势的问题，现实世界的利益。
2021-07-23 quant-ph
Variational Quantum Metrology with Loschmidt Echo
本文提出一种基于对称变分量子电路和洛施密特回波的量子计量方案，可从回波信号高效提取量子费舍尔信息，并在10自旋处理器上以12.4 dB超越标准量子极限。
2025-03-12 quant-ph
Benchmarking Variational Quantum Eigensolvers for Entanglement Detection in Many-Body Hamiltonian Ground States
本文使用变分量子特征求解器（VQEs）对由Heisenberg哈密顿量描述的多体系统进行纠缠检测基准测试，发现受哈密顿量相互作用启发的参数化量子电路在代价函数估计上优于问题无关电路。
2024-07-29 quant-ph
Variational Hamiltonian simulation for translational invariant systems via classical pre-processing
大型量子系统的时间演化模拟是一个经典的挑战性和一般棘手的任务，使其成为量子计算的一个有前途的应用。Trotter-Suzuki近似产生其实现，其中可以用更高的近似精度换取增加的门计数。在这项工作中，我们引入了一个变分算法，它使用经典优化的解决方案来预测有效的量子线路的时间演化的几何不变的量子系统。我们的策略可以提高Trotter-Suzuki精度几个数量级。它转化为门数的减少，从而在相同的算法精度下获得整体保真度。这在NISQ应用中很重要，其中输出状态的保真度随门的数量呈指数衰减。我们的经典辅助策略的性能优势，可以扩展到开放的边界与平移对称的散装。我们可以将我们的方法外推到经典可模拟的系统大小之外，保持其总保真度优于Trotter-Suzuki近似，使其成为超越经典时间演化的有趣候选者。
2023-03-06 quant-ph
Numerical simulation of D-Wave's quantum advantage experiment with time-dependent variational Monte Carlo
Center for Computational Quantum Physics, Flatiron Institute（平顿研究所计算量子物理中心）
本文用含时变分蒙特卡洛（t-VMC）模拟D-Wave量子退火实验，通过改进方法解决数值失效问题，成功逼近量子处理单元结果并拓展经典模拟前沿。
2026-09-03 cond-mat.dis-nn quant-ph
Performance and scaling analysis of variational quantum simulation
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文通过比较变分量子模拟与非变分方法，分析了量子电路深度随系统规模和模拟时间的扩展特性，并讨论了相应的经典复杂性。
2024-06-20 quant-ph
Quantum gradient evaluation through quantum non-demolition measurements
本文提出基于量子非破坏测量的梯度估计协议，利用量子探测器直接获取可观测量导数，从而减少变分量子电路的迭代次数和逻辑门数量。
2023-03-27 quant-ph
Variational methods for solving high dimensional quantum systems
该研究探究DMRG、玻尔兹曼机学习、VQE三种变分方法，经Jordan-Wigner变换映射模型后，用于求解凝聚态与高能物理两类量子系统的基态，验证变分方法处理复杂量子系统的有效性。
2024-04-17 quant-ph
Comparison between Tensor Networks and Variational Quantum Classifier
本文比较了张量网络与变分量子分类器在可表达性和可训练性上的差异，发现VQC在低维数据上速度和准确率占优，而TN在高维数据上整体分类准确率更高，并指出该结论仅针对特定任务，不宜过度推广。
2024-07-08 quant-ph
Classically Approximating Variational Quantum Machine Learning with Random Fourier Features
量子计算的许多应用在短期内依赖于变分量子线路（VQC）。它们已经被展示为一个有前途的模型，用于在机器学习中利用当前嘈杂的中间尺度量子计算机（NISQ）实现量子优势。人们通常认为，VQC的力量依赖于其指数级大的特征空间，并且大量的工作已经探索了VQC在这方面的表现力和可训练性。在我们的工作中，我们提出了一个经典的采样方法，可以密切近似的VQC与哈密顿编码，只给出其架构的描述。它使用了随机傅立叶特征（RFF）的开创性建议以及VQC可以被视为大型傅立叶级数的事实。我们提供了一般的理论界经典近似模型建立从指数级大的量子特征空间采样几个频率，以建立一个等价的低维内核，我们的实验表明，这种近似是有效的几种编码策略。准确地说，我们表明，所需的样本的数量增长有利的量子光谱的大小。因此，这个工具在许多情况下质疑了从VQC获得量子优势的希望，但反过来又有助于缩小其潜在成功的条件。我们期望具有各种复杂编码哈密顿量或具有大输入维数的VQC对经典近似变得更加鲁棒。
2022-10-24 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
Variational Quantum Algorithms for Differential Equations on a Noisy Quantum Computer
本文研究在含噪声量子计算机上利用变分量子算法QCL结合参数移位规则求解微分方程，并在IBM量子硬件上验证了函数学习、求导及一阶微分方程求解的可行性，同时展示了多量子比特并行学习与耦合微分方程求解的潜力。
2025-04-10 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
Non-variational supervised quantum kernel methods: a review
Centre for Quantum Information, Simulation and Algorithms, The University of Western Australia（西澳大利亚大学量子信息、模拟与算法中心）
综述探讨非变分监督量子核方法的理论基础、核构造及实践估计方法，分析量子优势评估框架及关键挑战，明确QKMs实际应用中的优势领域和技术障碍。
2026-04-09 cs.LG quant-ph
Fermionic approach to variational quantum simulation of Kitaev spin models
我们使用变分量子本征求解器（VQE）来模拟Kitaev自旋模型与可积性破缺微扰，特别侧重于蜂窝和正方形八边形晶格。这些模型是众所周知的，通过映射到自由费米子，在一定的参数范围内是精确可解的。我们使用经典的模拟，探索一种新的变分animator，利用这种费米表示，并能够表示在可解极限的确切的基态。我们还证明，这种ananalgesia可以扩展到超过这个限制，以提供良好的精度相比，其他VQE方法。在某些情况下，这种费米子表示是有利的，因为它将执行模拟所需的量子位数减少了两倍。我们还评论了我们的结果在量子计算机上模拟非阿贝尔任意子的影响。
2022-04-11 cond-mat.str-el quant-ph
A Monte Carlo Time-Dependent Variational Principle
我们推广的时间依赖变分原理（TDVP）耗散系统使用Monte Carlo方法，允许应用现有的纯态变分类，如矩阵乘积状态（MPS），Lindblad主方程动力学的模拟。关键的一步是利用采样近似求解由Lindblad生成元导出的Fokker-Planck方程。这种方法的一个重要的计算优势，相比其他变分方法的混合状态动力学，是“并行”。
2014-11-20 cond-mat.str-el 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
Filtering variational quantum algorithms for combinatorial optimization
如果算法有效地使用量子硬件，当前基于门的量子计算机有可能提供计算优势。为了使组合优化更有效，我们引入了滤波变分量子本征求解器（F-VQE），它利用滤波算子实现更快，更可靠的收敛到最优解。此外，我们探索使用因果锥来减少量子计算机所需的量子位数。使用随机加权最大割问题，我们数值分析我们的方法，并表明他们比原来的VQE算法和量子近似优化算法（QAOA）的性能更好。我们还证明了我们的算法在霍尼韦尔捕获离子量子处理器上的实验可行性。
2022-02-10 quant-ph
Training variational quantum algorithms with random gate activation
针对变分量子算法的贫瘠高原与局部极小值问题，提出随机量子门激活训练方法，以更少参数保持表达能力、逃离局部极小值并增强抗噪性。
2023-03-14 quant-ph
Trainable Discrete Feature Embeddings for Variational Quantum Classifier
The University of Tokyo（东京大学）；Keio University（庆应义塾大学）；IBM Japan（IBM日本）
量子分类器在希尔伯特空间中提供输入数据的复杂嵌入，有希望获得量子优势。这种优势源于量子特征映射，它利用变分量子线路将输入编码为量子态。最近的一项工作展示了如何使用量子随机访问编码（QRAC）来映射具有更少量子比特的离散特征，QRAC是将二进制字符串编码为量子态的重要原语。我们提出了一种新的方法，嵌入离散特征与可训练的量子线路相结合的QRAC和最近提出的策略训练量子特征映射称为量子度量学习。我们表明，所提出的可训练嵌入不仅需要像QRAC一样少的量子比特，而且还克服了QRAC对基于硬布尔函数的输入进行分类的局限性。我们在数值上证明了它在变分量子分类器中的使用，以在分类真实世界数据集时实现更好的性能，从而有可能利用近期量子计算机进行量子机器学习。
2021-09-05 cs.LG quant-ph
Benchmarking Quantum Heuristics: Non-Variational QWOA for Weighted Maxcut
本文针对加权Maxcut问题基准测试了非变分QWOA算法，发现其全局最优解测量概率恒定，随问题规模扩展优于经典启发式算法，展现出量子优势潜力。
2025-05-30 physics.comp-ph quant-ph
Universal expressiveness of variational quantum classifiers and quantum kernels for support vector machines
University of British Columbia（不列颠哥伦比亚大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Stewart Blusson Quantum Matter Institute（斯图尔特·布吕松量子物质研究所）
机器学习被认为是量子计算最有前途的应用之一。因此，寻找具有量子优势的量子机器学习模型是一个重要的研究目标。在这里，我们表明，变分量子分类器和支持向量机与量子内核可以解决分类问题的基础上的$k$ -Forrelation问题，这是已知的PromiseBQP-完成。由于PromiseBQP复杂性类包括所有有界误差量子多项式时间（BQP）决策问题，我们的研究结果意味着存在一个特征映射和一个量子核，使变分量子分类器和量子核支持向量机有效解决任何BQP问题。因此，这项工作意味着它们的特征映射和量子内核可以分别被设计为对于任何分类问题都具有量子优势，这些问题不能在多项式时间内经典地解决，但相反可以通过量子计算机解决。
2023-02-09 cs.LG quant-ph
Introducing the Kernel Descent Optimizer for Variational Quantum Algorithms
Bundesdruckerei GmbH（德国联邦印刷公司）
本文提出核下降优化器，通过再生核希尔伯特空间技术提升变分量子算法的优化性能。
2025-12-15 cs.NA math.FA math.NA
A measurement-based variational quantum eigensolver
变分量子本征求解器（VQE）将经典优化与量子计算机上的高效代价函数评估相结合。我们提出了一种新的方法来VQE使用基于测量的量子计算的原则。此策略使用纠缠的资源状态和本地度量。我们提出了两个基于测量的VQE计划。第一个介绍了一种新的方法来构建变分家庭。第二个提供了一个翻译的电路为基础的测量为基础的计划。这两个计划在所需资源和协调一致时间方面都具有针对具体问题的优势。
2021-03-15 hep-lat quant-ph
Variational Quantum Kernels with Task-Specific Quantum Metric Learning
IBM（国际商业机器公司）
量子核方法，即，具有量子核的核方法作为量子机器学习（QML）的混合量子经典方法提供了明显的优势，包括对噪声中间尺度量子（NISQ）设备的适用性和用于解决所有类型的机器学习问题的用途。核方法依赖于高维（可能是无限维）特征空间中点之间的相似性概念。对于机器学习，相似性的概念假设在特征空间中接近的点在机器学习任务空间中应该是接近的。在本文中，我们讨论了使用变分量子内核与特定任务的量子度量学习来生成最佳量子嵌入（a.k.a.量子特征编码），其特定于机器学习任务。这种特定于任务的最优量子嵌入，隐含地支持特征选择，不仅对量子核方法在提高后者的性能方面有价值，而且它们对基于参数化量子线路（PQC）的非核QML方法作为预训练嵌入和迁移学习也有价值。这进一步证明了量子核方法的量子效用和量子优势（具有经典难以处理的量子嵌入）。
2022-11-26 cs.LG quant-ph
Variational Quantum Circuit Model for Knowledge Graphs Embedding
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens AG（西门子公司）；Singapore University of Technology and Design（新加坡科技设计大学）；ETH Zurich（苏黎世联邦理工学院）
在这项工作中，我们提出了第一个量子Ansätze的统计关系学习知识图使用参数量子线路。本文介绍了两种用于知识图嵌入的变分量子线路。受经典表示学习的启发，我们首先将实体的潜在特征看作是量子态的系数，而谓词则是作用于量子态的参数门。对于第一个模型，当涉及到这个模型的优化时，量子优势消失了。因此，我们引入了第二个量子线路模型，其中实体的嵌入是由作用于纯量子态的参数化量子门产生的。第二种方法的好处是可以有效地训练量子嵌入，同时保持量子优势。我们表明，所提出的方法可以实现与最先进的经典模型，例如，RESCAL，DistMult。此外，在优化模型之后，知识图上的归纳推理的复杂度可以相对于实体的数量而降低。
2019-02-19 cs.AI quant-ph
Variational Quantum Soft Actor-Critic for Robotic Arm Control
NTT DATA Italia S.p.A.（NTT数据意大利股份公司）
深度强化学习正在成为机器人手臂运动连续控制任务的一种有前途的方法。然而，学习鲁棒和通用的控制能力的挑战仍然远远没有得到解决的现实世界的应用，主要是因为这种学习范式的两个共同的问题：探索策略和学习速度慢，有时被称为“维数灾难”。这项工作旨在探索和评估量子计算应用于最先进的连续控制强化学习技术之一的优势-即软Actor-Critic。具体而言，性能的变分量子软Actor-Critic上的虚拟机械臂的运动进行了研究，通过数字模拟的量子线路。一个量子优势的经典算法已被发现在一个令人满意的模型训练所需的参数的数量显着减少，铺平了道路，为进一步有前途的发展。
2022-12-20 cs.AI cs.LG quant-ph
Near-perfect Reachability of Variational Quantum Search with Depth-1 Ansatz
Grover的搜索算法以其在解决许多重要科学问题时的显着加速而闻名。最近提出的变分量子搜索（VQS）算法已经显示出超过Grover算法的指数优势，最多可达26个量子位。然而，它对大量量子比特的优势尚未得到证明。在这里，我们证明了Grover算法所需的指数深度电路可以由多控制NOT门以及单层Ry门或由Hadamard和NOT门组成的两层电路代替，这对大于5的任何数量的量子位都有效。我们证明了VQS，与一个单一的层的Ry门作为它的Anterior，有近乎完美的可达性在找到一个任意大的非结构化数据集的好元素，其可达性指数提高的量子位数，其中的可达性被定义为量化的能力，一个给定的Anterior生成一个最佳的量子态。数值研究进一步验证了VQS的优良可达性。证明VQS（深度为1的Ansatz）对于任何数量的量子位都具有近乎完美的可达性，完成了证明其相对于Grover算法对于任何数量的量子位的指数优势的重要一步，而后者的证明非常重要，因为它意味着VQS可以有效地解决NP完全问题。
2023-01-30 cs.CC math.QA quant-ph
Unitary Block Optimization for Variational Quantum Algorithms
变分量子算法是解决化学和物理问题的一个很有前途的混合框架，也具有广泛的适用性，以优化。它们特别适合于有噪声的中间尺度量子（NISQ）计算机。在本文中，我们描述了酉块优化方案（UBOS），并将其应用到两个变分量子算法：变分量子本征求解器（VQE）和变分时间演化。VQE的目标是优化一个经典的棘手的参数化量子波函数，以目标的物理状态的哈密顿量或解决优化问题。UBOS是其他VQE优化方案的替代方案，具有许多优点，包括快速收敛，对贫瘠高原的敏感性较低，能够隧道通过一些局部最小值，并且没有超参数需要调整。我们还描述了UBOS如何适用于真实和虚构的时间演化（TUBOS）。
2021-02-16 cond-mat.str-el quant-ph
End-to-end variational quantum sensing
本文提出端到端变分量子传感框架，以参数化量子电路和神经网络联合建模传感器动力学与参数估计，可适配不同量子比特架构并量化噪声及有限采样影响。
2024-10-28 physics.comp-ph quant-ph
Variational Quantum Algorithms for Combinatorial Optimization
本文梳理NISQ时代变分量子算法（VQA）在组合优化领域的研究进展，确定QAOA为核心候选方案，通过不同深度QAOA电路求解10、20节点图的MaxCut问题验证其潜力与挑战，并开源相关资源。
2024-07-08 cs.ET quant-ph
Variational principle for steady states of dissipative quantum many-body systems
提出了一种新的通用框架来近似耗散量子多体系统的非平衡定态。它是基于变分最小化的一个合适的范数的量子主方程描述的动力学。我们展示了如何将这种方法应用于不同类别的变分量子态，并展示了它的成功应用到一个耗散扩展的伊辛模型，这是非常重要的，正在进行的超冷里德伯原子的实验。最后，我们确定了几个优势的变分方法比以前采用的类平均场的方法。
2015-02-19 cond-mat.stat-mech physics.atom-ph physics.comp-ph
Mitigating Noise-Induced Gradient Vanishing in Variational Quantum Algorithm Training
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
变分量子算法有望在近期噪声量子计算机上展示量子计算的优势。然而，训练这样的变分量子算法会随着算法的大小增加而遭受梯度消失。先前的工作不能处理由现实量子硬件上不可避免的噪声效应引起的梯度消失。在本文中，我们提出了一种新的训练方案，以减轻这种噪声引起的梯度消失。我们首先引入了一个新的成本函数，其梯度显着增加采用无痕观测截断子空间。然后，我们证明了相同的最小值可以通过优化原始成本函数与新的成本函数的梯度。实验表明，我们的新的训练计划是非常有效的主要变分量子算法的各种任务。
2021-11-25 cs.LG quant-ph
Modeling Linear Inequality Constraints in Quadratic Binary Optimization for Variational Quantum Eigensolver
本文介绍了使用定制的变分形式的变分量子本征求解器，具有表示一定的约束的搜索域上的线性约束二次二元优化问题的解决方案的属性。四个约束，通常出现在几个优化问题建模。所提出的方法的主要优点是，变分形式上的参数的数量保持不变，并取决于出现在约束的变量的数量。此外，这种变分形式总是产生可行的解决方案所代表的约束不同的惩罚技术通常用于将约束问题转化为无约束的。该方法在一个真正的量子计算机中实现了两个已知的优化问题：设施定位问题和集合包装问题。对这两个问题的VQE的2-局部变分形式和一般QAOA实现的结果进行了比较，并表明使用更少的量子门和参数，导致更快的收敛。
2020-11-25 math.OC quant-ph
Towards Efficient Ansatz Architecture for Variational Quantum Algorithms
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
变分量子算法有望在近期噪声量子计算机上展示量子计算的优势。然而，训练这样的变分量子算法会随着算法的大小增加而遭受梯度消失。先前的工作不能处理由现实量子硬件上不可避免的噪声效应引起的梯度消失。在本文中，我们提出了一种新的训练方案，以减轻这种噪声引起的梯度消失。我们首先引入了一个新的成本函数，其梯度显着增加采用无痕观测截断子空间。然后，我们证明了相同的最小值可以通过优化原始成本函数与新的成本函数的梯度。实验表明，我们的新的训练计划是非常有效的主要变分量子算法的各种任务。
2021-11-26 cs.LG quant-ph
Neural Quantum States in Variational Monte Carlo Method: A Brief Summary
本文综述了基于神经量子态的自旋系统变分蒙特卡洛方法，指出神经网络作为波函数能高效表达非局域相互作用并降低高维系统计算资源，展现了处理大规模系统的潜力。
2024-06-03 cond-mat.str-el quant-ph
Accelerating variational quantum algorithms with multiple quantum processors
JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）
变分量子算法（VQA）有可能利用近期量子机获得某些计算优势，而不是经典方法。然而，现代VQA遭受了繁琐的计算开销，这受到采用单独的量子处理器来处理大量数据的传统的阻碍。因此，为了更好地发挥VQA的优越性，提高其运行效率具有重要意义。在这里，我们设计了一个有效的分布式优化方案，称为QUDIO，来解决这个问题。具体来说，在QUDIO中，一个经典的中央服务器将学习问题划分为多个子问题，并将它们分配给多个本地节点，每个节点都由一个量子处理器和一个经典优化器组成。在训练过程中，各局部节点并行进行优化，经典服务器在局部节点间及时传递优化信息。在这样做时，我们证明了QUDIO的次线性收敛速度的理想情况下的全局迭代次数，而系统的不完善性可能会导致发散优化。标准基准测试的数值结果表明，QUDIO可以令人惊讶地实现超线性的运行时加速相对于本地节点的数量。我们的建议可以很容易地与其他先进的基于VQA的技术相结合，以缩小现有技术与具有量子优势的应用之间的差距。
2021-06-24 cs.LG quant-ph
Phenomenological Theory of Variational Quantum Ground-State Preparation
变分方法是计算物理的基石，考虑到常规和量子计算计算平台。变分量子本征求解器（VQE）算法旨在利用参数化量子电路来准备哈密顿算子的基态，该参数化量子电路可以提供与例如在量子蒙特卡罗或张量网络计算中使用的经典试验状态相比的优势。虽然传统上，主要的重点是开发更好的试验电路，我们表明，该算法的成功至关重要地取决于其他参数，如学习率，测量的数量$N_s$，以估计梯度分量，和哈密顿间隙$Δ$。我们首先观察到一个有限的$N_s$值的存在，低于该值的优化是不可能的，和能量方差类似于在二阶相变的比热的行为。其次，当$N_s$高于这样的阈值水平，学习是可能的，我们开发了一个唯象模型，该模型将状态准备的保真度与优化超参数以及$Δ$联系起来。更具体地说，我们观察到的计算资源规模为$1/Δ^2$，我们提出了一个安全性增强的模拟协议，如果差距关闭。我们测试我们的理解的几个例子的二维受抑量子磁体，这被认为是最有前途的候选人，通过变分量子模拟的近期量子优势。
2022-12-15 cond-mat.stat-mech cond-mat.str-el quant-ph
Denoising Gradient Descent in Variational Quantum Algorithms
针对噪声干扰变分量子算法梯度下降的问题，提出一种在每步梯度下降时计算目标函数正则化局部经典近似的去噪算法，其电路评估次数与参数平移规则法一致，已在随机参数化量子电路上验证优势。
2024-03-06 cs.NA math.NA quant-ph
Feynman's clock, a new variational principle, and parallel-in-time quantum dynamics
我们引入了一个新的离散时间变分原理的启发量子时钟最初提出的Feynman，并使用它来写量子演化作为一个基态本征值问题。这种构造允许人们将基态量子多体理论应用于量子动力学，从而扩展了这个肥沃研究领域中许多高度发达工具的范围。此外，这种形式主义自然导致一种算法，并行量子模拟随着时间的推移。我们绘制了一个明确的连接以前已知的时间相关的变分原理和新的时间嵌入变分原理。示例计算应用的想法氢分子和自旋自由度的模型无机化合物展示我们的方法的并行加速以及其灵活性，在应用基态方法。最后，我们利用新的变分原理的独特视角来考察量子动力学中基近似的误差。
2013-04-29 physics.chem-ph quant-ph
Quantum Hierarchical Reinforcement Learning via Variational Quantum Circuits
Wells Fargo（富国银行）
本研究证明变分量子电路可增强基于选项-评论家架构的分层强化学习智能体，在标准环境中以更少参数超越经典基线，并揭示量子电路设计原则与架构瓶颈。
2026-09-22 cs.LG quant-ph
Variational Quantum-Based Simulation of Waveguide Modes
变分量子算法是最有前途的方法之一，可以在有噪声的中间尺度量子（NISQ）机器上实现，以实现相对于经典计算机的量子优势。本文介绍了用变分量子算法结合有限差分法计算空心金属波导中电磁波的传播模式。由亥姆霍兹方程描述的二维（2D）波导问题由线性方程组近似，其解用简单的量子期望值表示，可以在量子硬件上有效地计算。数值算例验证了所提出的方法求解二维波导问题。
2022-02-17 physics.comp-ph quant-ph
Improvement in Variational Quantum Algorithms by Measurement Simplification
Seoul National University（首尔国立大学）
本文提出 Measurement Simplification 方法简化量子电路测量表达式，并应用于 VQLS、VQE 等算法，显著降低计算时间与内存需求。
2023-12-11 cs.AI quant-ph
