加速 VQE：参数循环用于类似的循环问题实例
量子物理
2025-03-31 v1
摘要
变分量子本征求解器 (VQE) 的训练需要大量计算资源。我们提出利用迁移学习概念，在解决类似问题实例时显著减少训练时间。我们演示，其利用导致收敛加速，结果质量与在参数初始值约为零的电路相当。此外，迁移学习在源解与目标解之间的距离较小时效果更好。基于上述发现，我们提出一种加速 VQE 方法，针对节点数为 12 的 MaxCut 问题进行测试，采用两种不同电路。我们将结果与随机基线和非迁移学习训练的电路进行比较。我们的实验表明，相对于不使用迁移学习的相同电路，迁移学习可在后训练中将训练时间缩短约 93%。如果考虑提前停止，加速 VQE 方法在解的质量方面分别比标准方法高出七个、九个百分点。在时间到解或计算成本至关重要的场景中，该方法提供了显著的优势，在训练 effort 与解的质量之间实现了改进的权衡。
引用
@article{arxiv.2503.22590,
title = {Accelerated VQE: Parameter Recycling for Similar Recurring Problem Instances},
author = {Tobias Rohe and Maximilian Balthasar Mansky and Michael Kölle and Jonas Stein and Leo Sünkel and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2503.22590},
year = {2025}
}