基于纠缠设计的贫瘠高原缓解方法

混合量子-经典变分算法是近期设备上量子计算最有前途的实现之一，为量子尺度解空间提供经典机器学习支持。然而，大量研究表明，该空间随量子比特数增长的速度可能阻碍深度量子电路中的学习，这一现象被称为贫瘠高原。在本工作中，我们指认随机纠缠是贫瘠高原的源头，并从多体纠缠动力学的角度刻画它们，详述其随系统规模、电路深度和电路连接性的形成过程。利用这种对纠缠的理解，我们提出并演示了若干贫瘠高原改善技术，包括：代价函数与非代价函数寄存器初始划分、低纠缠电路初始化的元学习、选择性寄存器间交互、纠缠正则化、添加 Langevin 噪声，以及旋转至优选代价函数本征基。我们发现，纠缠限制（无论是自动的还是设计的）是高精度训练的标志，并强调由于学习是一个迭代组织过程而贫瘠高原是随机化的后果，它们未必不可避免或不可逃避。我们的工作既构成了理论刻画也构成了实用工具箱：首先用随机纠缠定义贫瘠高原，然后运用该专业知识从战略上对抗它们。