无 barren plateaus 的变分量子算法最优训练

变分量子算法（VQAs）有望高效利用近期量子计算机。然而，训练VQAs通常耗时巨大，并受限于barren plateau问题，即梯度大小随量子比特数增加而消失。在此，我们展示了如何最优训练VQA以学习量子态。参数化量子电路可形成高斯核，我们借此推导出自适应学习率用于梯度上升。我们引入广义量子自然梯度，其在参数空间中具有稳定性和优化运动。两种方法共同优于其他优化例程训练VQA。我们的方法在量子控制问题驱动协议的数值优化中也表现出色。当初始态与待学态之间的保真度有下界时，VQA的梯度不消失。我们确定了具有此类约束的用于量子模拟的VQA，因此可无barren plateaus地训练。最后，我们提出将高斯核应用于量子机器学习。