量子代价景观中的沟壑：改进VQA预测的机遇

量子代价景观（QCL）的几何和拓扑结构决定了变分量子算法（VQA）的优化过程，从而决定了其预测能力。我们使用改编自理论化学的微扰弹性带（NEB）算法，系统地分析了连接局部极小值的低代价路径——沟壑。通过训练量子神经网络（QNN）对量子态的可集中纠缠进行分类，我们应用NEB算法，并在硬件高效拟设的QCL中数值识别出沟壑结构。除了可视化这些沟壑，我们通过平均沿低代价NEB路径参数化的QNN的预测，构建了一个集成预测框架。我们引入了一个资源轻量级的预训练指标，该指标量化了局部预测变异性，并可作为VQA的强性能指标，其适用性甚至超出了本研究的范围。当基础分类器取自表现出高局部预测变异性的电路和权重初始化时，基于量子的NEB集成优于经典和朴素的量子替代方案。此外，复杂性分析表明，与朴素QNN集成相比，利用QCL的沟壑状结构与QNN NEB方法可大幅降低计算成本。深度和量子比特缩放分析表明，沟壑在两种缩放中均持续存在，并且尽管资源需求随量子比特缩放预期增长，NEB方法也加速了收敛速度，优于朴素替代方案。