变分量子电路可训练性的高效估计
量子物理
2023-12-14 v2
摘要
用作变分拟设的参数量子电路正成为解决从量子化学到组合优化等复杂问题的有前景的工具。这些变分量子电路可能遭受著名的贫瘠高原诅咒，其特征是代价函数梯度随系统尺寸指数级消失，使得训练在实际应用中不可行。由于通用量子电路无法被高效模拟，确定其可训练性是一个重要问题。在此，我们找到了一种高效方法，可计算广泛一类变分量子电路的代价函数梯度及其方差。我们的方案依赖于我们证明的如下精确映射：将随机初始化电路映射为一组合力夫（Clifford）电路，借助著名的 Gottesmann-Knill 定理，这些电路可在经典计算机上高效模拟。该方法可扩展，并可用于认证变分量子电路的可训练性，以及探索能克服贫瘠高原问题的设计策略。作为示例，我们展示了多达 100 个量子比特的结果。
引用
@article{arxiv.2302.04649,
title = {Efficient estimation of trainability for variational quantum circuits},
author = {Valentin Heyraud and Zejian Li and Kaelan Donatella and Alexandre Le Boité and Cristiano Ciuti},
journal= {arXiv preprint arXiv:2302.04649},
year = {2023}
}
备注
Revised version with three additional figures and results with up to 100 qubits