面向运行时高效的变分量子算法的延迟感知自适应测量次数分配

高效的经典优化器在变分量子算法(VQAs)的实际实现中至关重要。特别是，为使随机梯度下降(SGD)在资源上高效，已有研究提出自适应策略来确定用于估计梯度的测量次数(shots)。然而，现有策略忽略了每次迭代中产生的开销。就挂钟运行时间而言，当使用大量迭代时，显著的电路切换与通信延迟会拖慢优化过程。就使用云服务时的经济成本而言，每任务价格可能变得可观。为解决这些问题，我们提出一种自适应策略，通过显式考虑开销，在每次迭代中平衡测量次数，以最大化每单位时间或成本的期望收益。我们的方法不仅可应用于简单SGD，也可应用于其变体，包括Adam。数值模拟表明，我们的自适应测量次数策略对Adam实际高效，优于许多现有的最先进自适应测量次数优化器。然而，对简单SGD则并非如此。当以测量次数作为资源时，我们零开销的自适应测量次数Adam也优于现有优化器。