利用负学习率逃离变分量子算法中的荒坡：面向量子物联网
量子物理
2025-12-05 v2 人工智能
摘要
变分量子算法 (VQA) 正成为下一代量子计算机的主要计算原语，尤其是作为面向日益增长的量子物联网 (QIoT) 资源受限加速器中的计算单元。然而，在此类设备受限的执行条件下，学习的可扩展性严重受到荒坡 (barren plateaus) 的限制，即梯度消失到零而训练停滞。 这给在 QIoT 端点（通常仅有少量量子比特、受限的采样预算和严格的时延要求）上实现 VQA 驱动的智能提供了实际挑战。本文提出了一种新方法，通过在 QIoT 设备中引入负学习率来逃离荒坡。该方法通过在正负学习相位之间切换，向模型训练引入受控不稳定性，从而恢复显著的梯度并探索损失景观中较平坦的区域。我们对负学习对梯度方差的影响进行了理论评估，并提出条件，表明其有助于从荒区逃离。在典型 VQA 基准测试上的实验结果表明，我们的方法在收敛性和仿真结果上均优于传统优化器。通过逃离荒坡，我们的方法为量子-经典混合模型的稳健优化开辟了一条新路径。
引用
@article{arxiv.2511.22861,
title = {Escaping Barren Plateaus in Variational Quantum Algorithms Using Negative Learning Rate in Quantum Internet of Things},
author = {Ratun Rahman and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2511.22861},
year = {2025}
}
备注
Accepted at IEEE Internet of Things Journal