噪声平台上的量子自然梯度优化器：以 QAOA 为案例研究
量子物理
2025-08-26 v2
摘要
我们研究了在噪声存在下的量子自然梯度 (QNG) 优化器的性能。具体而言，我们评估了 QNG 在寻找横场伊辛模型 (TFIM) 基态方面的 Quantum Approximate Optimization Algorithm (QAOA) 的有效性。其性能在两个突出量子计算平台上进行了基准测试：Rydberg 原子和超导电路。我们的分析包括理想噪声自由条件下的模拟以及基于实际设备校准数据的真实噪声环境。结果表明，QNG 在平均情况下 consistently 优于 Vanilla 梯度下降，收敛更快，对参数随机初始化更具鲁棒性。这种鲁棒性归因于 QNG 在参数空间中固有的距离正则化。此外，QNG 实现了更高的收敛率，有效避免了某些局部最小值。这些发现突显了 QNG 作为优化变分量子算法的有前景的工具，适用于噪声中间规模量子 (NISQ) 设备。
引用
@article{arxiv.2502.20288,
title = {Quantum Natural Gradient optimizer on noisy platforms: QAOA as a case study},
author = {Federico Dell'Anna and Rafael Gomez-Lurbe and Armando Perez and Elisa Ercolessi},
journal= {arXiv preprint arXiv:2502.20288},
year = {2025}
}
备注
14 pages, 12 figures