基于 QUBO 的量子变分算法训练方法

量子 annealer 为解决大规模组合优化问题提供了有效框架。本 work 提出一种新方法，用于通过将参数优化任务重新表述为二次无约束二进制优化(QUBO)问题来训练 Variational Quantum Algorithms(VQAs)。不同于传统的基于梯度的方法，本方法直接利用所选 VQA ansatz 的哈密顿量，并采用自适应、类群体的优化方案。该优化策略提供了丰富的可配置参数，可适应特定问题特征和可用计算资源。该方法的框架具有可推广性，可适用于任意哈密顿量，并集成递归 refinement 策略以逐步逼近高质量解。实验评估表明该方法的可行性以及其在计算开销方面显著低于经典和进化式优化器，同时实现了可比或更优的解质量。这些发现表明，量子 annealer 可作为经典优化器的可扩展替代方案，用于 VQA training，特别是在受到 barren plateau 和噪声梯度估计影响的场景中，并为近期量子计算中的混合量子门-量子 annealer-经典优化模型开辟了新的可能性。