Lie 群上的几何优化：变分量子算法的Barren Plateau缓解的Lie论解释

Barren plateaus（训练梯度极小）是变分量子电路优化中的主要挑战，常使学习过程极其缓慢或停滞。本文阐明了为何使用神经网络生成量子电路参数可突破这一困难。我们引入几何视角，描述神经网络生成的参数在训练期间的演化方式。分析表明，这些参数遵循平滑且高效的路径，避免引起Barren plateaus的平坦区域。为近期神经网络协助量子学习方法中观察到的改进可训练性提供了计算解释。总体而言，本文的发现将量子机器学习与计算优化思想相结合，为理解量子模型结构并指导未来设计更易训练的量子电路或参数初始化提供了新视角。