面向多目标量子优化的迁移策略

我们解决了多目标量子优化的问题，即同时优化定义在同一量子搜索空间上的多个成本函数。为加速优化并减少量子资源消耗，我们研究了一系列可实现知识在相关任务之间迁移的策略。具体而言，我们引入了一个两阶段框架：训练阶段在任务之间逐步共享解决方案；推断阶段则基于先前优化的目标初始化未优化的目标。我们提出并评估了多种方法，包括温启动初始化、基于一阶泰勒展开的参数估计、使用 D 级树的层次聚类以及基于深度学习的迁移。我们的实验结果使用 PennyLane 实现的参数化量子电路表明，迁移技术显著减少所需迭代次数，同时保持可接受的成本值。这些发现凸显了多目标泛化在量子优化管道中的潜力，并为可扩展的多目标量子优化奠定了基础。