高效在线量子电路学习，无需预先训练
量子物理
2026-03-30 v1 计算物理
摘要
我们提出了一种基于代理的方法来优化参数化量子电路，该方法旨在使用少量量子计算机调用。我们采用计算成本低廉的经典代理来近似变分量子算法的代价函数。初始代理通过稀疏采样使用噪声量子计算机获得的真实代价函数数据来拟合。代理通过查询真实代价在代理最优值处进行迭代细化，然后使用径向基函数插值与现有和新的真实代价数据。使用径向基函数插值使得无需超参数预训练即可构建代理。此外，将代理作为采集函数将硬件查询集中在真实最优值附近。对于使用QAOA ansatz解决的16量子比特随机3-正则Max-Cut问题，我们发现我们的方法优于先前的最先进技术。此外，我们展示了在IBM量子处理器上使用约10^4-10^5次测量计数成功优化了127量子比特随机Ising模型的QAOA电路。该方法的强大经验性能是朝着变分量子算法大规模实际应用迈出的重要一步，并清楚证明了经典代理基学习方法的有效性。
引用
@article{arxiv.2501.04636,
title = {Efficient Online Quantum Circuit Learning with No Upfront Training},
author = {Tom O'Leary and Piotr Czarnik and Elijah Pelofske and Andrew T. Sornborger and Michael McKerns and Lukasz Cincio},
journal= {arXiv preprint arXiv:2501.04636},
year = {2026}
}
备注
16 pages, 10 figures, 3 tables