PALQO：用于加速大规模量子优化的物理信息模型
量子物理
2025-09-26 v1 机器学习
摘要
变分量子算法（VQA）是实现近期量子设备实用价值的主导策略。然而，量子力学中的不可克隆定理排除了标准反向传播，导致 VQA 应用于大规模任务时产生高昂的量子资源成本。为应对这一挑战，我们将 VQA 的训练动力学重新表述为非线性偏微分方程，并提出了一种利用物理信息神经网络（PINN）高效建模该动力学系统的新协议。给定从量子设备收集的少量训练轨迹数据，我们的协议在经典侧预测 VQA 的多轮迭代参数更新，大幅降低量子资源成本。通过系统性数值实验，我们证明该方法相比传统方法实现了最高 30 倍的加速，并将量子资源成本降低高达 90%，适用于涉及多达 40 个量子比特的任务，包括不同量子系统的基态制备，同时保持具有竞争力的准确率。我们的方法补充了现有旨在提高 VQA 效率的技术，进一步增强了其实际应用的潜力。
引用
@article{arxiv.2509.20733,
title = {PALQO: Physics-informed Model for Accelerating Large-scale Quantum Optimization},
author = {Yiming Huang and Yajie Hao and Jing Zhou and Xiao Yuan and Xiaoting Wang and Yuxuan Du},
journal= {arXiv preprint arXiv:2509.20733},
year = {2025}
}