突破 QAOA 固定目标哈密顿量障碍：通过双层优化的全连接量子玛尔鲁姆机

为克服经典部分连接玛尔鲁姆机和主流量子玛尔鲁姆机（QBM）的局限性，本工作将量子近似优化算法（QAOA）的常规电路扩展为双层优化架构，提出一种全连接 QBM。内环训练模拟基于常规 QAOA 电路计算过程的正相能量最小化，而外环训练模拟负相对比性散度学习，通过优化目标哈密顿量的结构参数。发现该模型首先仅使用单层（p=1）即可表现出优异性能，在无噪声条件下测量目标量子态的平均概率为 0.9559。其次，该模型显示显著的噪声鲁棒性。在当前主流商业量子计算设备的典型噪声水平下，测量目标量子态的平均概率达到 0.6047；当噪声升至更严苛的水平（加倍强度）时，该概率仍保持在 0.3859。在两种情况下，目标量子态均保持所有检测态中最高的测量概率，其值是第二名态值的若干倍。这表明该模型即使在噪声超过当前主流商业量子计算设备上限的情况下，仍具备强大的鲁棒性。第三ly，在 p=1 且仅 10 次测量 shots 的分块学习策略下，该模型始终能生成目标“量子比特”网格图像，显示出对图像生成的强鲁棒性。