通过选择性门激活策略提高电路可训练性
量子物理
2025-03-18 v1 机器学习
摘要
混合量子-经典计算在量子化学和机器学习等众多领域广泛依赖变分量子算法（Variational Quantum Algorithms, VQAs）来解决挑战性问题。然而，VQAs面临一个关键限制：在电路可训练性和可表达性之间进行平衡。可训练性指的是优化电路参数以解决问题的难易程度，常受到巨基平原（Barren Plateau）的制约，即梯度消失，阻碍优化；而增加可表达性（expressibility），即能够表示广泛量子态的能力，往往需要更深的电路和更多参数，这反过来又恶化了可训练性问题。本文在变分量子本征求解器（Variational Quantum Eigensolver, VQE）的背景下，研究了选择性门激活策略作为解决这些挑战的潜在方法。我们评估了三种不同方法：不考虑门类型或参数大小的随机激活、仅限单一门类型的随机激活，以及基于参数数值大小的门激活。实验结果表明，基于数值大小的策略优于其他方法，实现了更好的收敛效果。
引用
@article{arxiv.2503.12738,
title = {Enhancing Circuit Trainability with Selective Gate Activation Strategy},
author = {Jeihee Cho and Junyong Lee and Daniel Justice and Shiho Kim},
journal= {arXiv preprint arXiv:2503.12738},
year = {2025}
}
备注
5 pages, 4 figures