利用经典深度神经网络避免贫瘠高原

变分量子算法(VQAs)是噪声中等规模量子器件时代中最有前景的算法之一。此类算法使用参数化U($\pmb{\theta}$)构建，并借助经典优化器更新参数$\pmb{\theta}$以最小化代价函数$C$。通常，该任务采用梯度下降法或其变体，即利用代价函数梯度迭代更新电路参数。然而，文献中多项工作表明该方法受限于称为贫瘠高原(BP)的现象。本工作中，我们提出一种缓解BP的新方法。一般而言，参数化$U$中所用参数$\pmb{\theta}$是随机生成的；而在我们的方法中，它们由经典神经网络(CNN)获得。我们表明，该方法除了能在启动阶段缓解BP外，还能在VQA训练过程中减轻BP的影响。此外，我们还展示了该方法在不同CNN架构下的表现。