随机参数化量子电路中通过关联实现的大梯度

变分量子算法向大规模问题扩展需要随机参数化量子电路的高效优化。对于具有不相关参数的此类电路，代价函数景观中指数消失梯度的存在是通过梯度下降方法优化的障碍。在这项工作中，我们证明，通过利用包含空间或时间关联门层的电路模块来降低参数空间的维度，可以使人规避消失梯度现象。示例取自随机可分离电路以及基于量子交替算子拟设（QAOA）的Grover算法的渐近最优变分版本。在后一情景中，我们对代价函数变化的界限意味着，随着层数增加到$\mathcal{O}(2^{n/2})$（量子非结构化搜索的最优预言机复杂度），在消失梯度与高效可训练性之间发生转变。