Variational quantum eigensolver 与经典神经网络混合的严格方法
量子物理
2026-02-20 v1
摘要
神经网络后处理被提出作为一种轻量级方法，通过学习如何重新加权测量结果来增强变分量子本征求解器。在本工作中，我们识别了三项通用的需求：(i) 无需先验知识的自包含训练、(ii) 多项式资源、(iii) 变分一致性，并指出当前方法（如对角非单位性后处理 DNP）无法同时满足这些要求。 obstructions 源于内在因素：在有限抽样下，归一化成为统计性瓶颈，分子与分母估计器之间的支持不匹配可能导致经验目标病条件化，甚至是次变分。此外，要通过常数深度 ansatz 或线性深度构成单位 2-design 的电路来复现基态，所需的再加权范围（因此抽样成本）随量子比特数量呈指数增长。受此不可行结果的启发，我们发展了归一化-free 的替代方案——单元变分量子神经混合本征求解器 (U-VQNHE)。U-VQNHE 保留了可学习对角后处理层的实用性，同时保证变分安全，数值实验在横向场 Ising 模型上表明其在准确性和鲁棒性方面优于 VQE 和 DNP 变体。
引用
@article{arxiv.2602.17295,
title = {A rigorous hybridization of variational quantum eigensolver and classical neural network},
author = {Minwoo Kim and Kyoung Keun Park and Kyungmin Lee and Jeongho Bang and Taehyun Kim},
journal= {arXiv preprint arXiv:2602.17295},
year = {2026}
}
备注
20 pages, 4 figures