增强变分量子电路训练：一种用于缓解贫瘠高原的改进神经网络方法
量子物理
2025-11-18 v1
摘要
变分量子算法（VQAs）将经典优化与参数化量子电路评估相结合，是近期量子计算中最具前景的算法之一。类似于神经网络（NNs），VQAs 迭代更新电路参数以优化代价函数。然而，变分量子电路（VQCs）的训练容易受到一种被称为贫瘠高原（BPs）现象的影响。已有多种方法被提出以缓解这一问题，例如使用神经网络生成 VQC 参数。在本文中，我们通过改进神经网络架构改进了基于 NN 的 BP 缓解方法，并将其适用性扩展到包含随机量子输入和 VQC 结构的更广泛场景。我们通过比较使用该方法前后的收敛速度来评估其有效性。此外，我们利用损失景观可视化技术和 VQC 的表达性度量解释了该方法有效的原因。损失景观的平滑性为该方法的实用性提供了直观的见解，而表达性的降低则解释了可训练性的增强。我们的研究突出了基于 NN 的 BP 缓解方法的普适性，强调了其在推动各领域 VQAs 发展方面的潜力。
引用
@article{arxiv.2411.09226,
title = {Enhancing Variational Quantum Circuit Training: An Improved Neural Network Approach for Barren Plateau Mitigation},
author = {Zhehao Yi and Yanying Liang and Haozhen Situ},
journal= {arXiv preprint arXiv:2411.09226},
year = {2025}
}