TITAN：一种基于轨迹信息的自适应参数冻结技术，用于大规模变分量子求解器
量子物理
2025-09-19 v1 人工智能
摘要
变分量子求解器（VQE）是 Harnessing 量子计算机以推动量子化学和材料仿真的领先候选方案，但其训练效率在大型哈密顿量下迅速恶化。两种问题构成了这一瓶颈：（i） no-cloning 定理导致每个梯度步骤中电路评估数目随参数数量线性增长；（ii）更深的电路遇到 barren plateaus（BPs），导致测量开销指数级增加。为解决这些挑战，本文提出了一种深度学习框架，称为 Titan，通过识别特定哈密顿量类别下给定 ansatz 的非活跃参数并在初始化时冻结，从而在不牺牲精度的前提下降低优化开销。Titan 的动机源于我们发现参数子集在训练动力学中始终对结果影响微小的经验发现。其设计融合了理论依据的数据构建策略，确保每个训练示例都具有信息性和抗 BPs 能力，同时采用自适应神经网络架构，可跨不同尺寸的 ansatz 进行泛化。在横向场 Ising 模型、Heisenberg 模型以及最多 30 比特的多个分子系统基准测试中，Titan 实现了最高可达 3 倍的加速收敛速度，电路评估数目减少 40%至60%，而精度匹配或超越了最先进的基线方法。通过主动修剪参数空间，Titan 降低了硬件需求，为 VQE 推进实际的量子化学和材料科学提供了可扩展的路径。
引用
@article{arxiv.2509.15193,
title = {TITAN: A Trajectory-Informed Technique for Adaptive Parameter Freezing in Large-Scale VQE},
author = {Yifeng Peng and Xinyi Li and Samuel Yen-Chi Chen and Kaining Zhang and Zhiding Liang and Ying Wang and Yuxuan Du},
journal= {arXiv preprint arXiv:2509.15193},
year = {2025}
}
备注
Accepted by The Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025)