基于量子序列模型的量子优化元学习
量子物理
2025-12-05 v1 人工智能
机器学习
摘要
量子近似优化算法（QAOA）是解决近时量子处理器上组合优化问题的领先方法之一。然而，由于能量景观呈非凸形态，寻找良好的变分参数仍然是一个重大挑战，常导致收敛缓慢且解决方案质量较差。本文提出了一种量子元学习框架，通过训练先进的量子序列模型来生成有效的参数初始化策略。我们研究了四种经典或量子序列模型，包括基于量子核的长短期记忆网络（QK-LSTM），在“学习如何学习”的范式中用作学习型优化器。我们的数值实验在Max-Cut问题上表明，QK-LSTM优化器实现了卓越的性能，在所有测试的规模（n=10至13）中均获得最高的近似比率，并展现最快的收敛速度。关键的是，QK-LSTM模型通过合成一套固定的近最优参数，实现了完美的参数可迁移性，进而在推广到更大问题时仍实现显著的收敛加速。这种由量子核架构所赋予的紧凑且富有表现力的能力，彰显了其有效性。QK-LSTM仅需43个可训练参数，显著优于经典LSTM（56个参数）和其他量子序列模型，为NISQ时代的变分量子算法实现高度有效的参数初始化奠定了稳健的路径。
引用
@article{arxiv.2512.05058,
title = {Meta-Learning for Quantum Optimization via Quantum Sequence Model},
author = {Yu-Cheng Lin and Yu-Chao Hsu and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2512.05058},
year = {2025}
}