变分量子-神经混合虚时演化
量子物理
2025-11-26 v2
摘要
已提出许多方法来在量子计算机上实现虚时演化 (ITE)。其中，针对噪声中间规模量子计算机 (NISQ) 的变分虚时演化 (VITE) 方法引起了广泛关注，这些方法使用参数化量子电路来模拟非单位动力学。尽管已广泛研究，但包括 VITE 在内的传统变分量子算法面临在 ansatz 量子电路选择上强大的依赖性，导致难以实现高精度。最近，一种将神经网络 (NN) 与变分量子本征求解器 (VQE) 混合的变分量子-神经混合本征求解器 (VQNHE) 被提出。该方法增强了变分态的表达能力，改进了期望值的估计。以此为灵感，我们探索了将 VITE 与基于 NN 的非单位算子混合。在本研究中，我们提出一种称为变分量子-神经混合 ITE (VQNHITE) 的方法。通过将 NN 与参数化量子电路结合，我们的方案在与传统方法相比具有更大的表达能力，使其能够更准确地跟踪虚时动力学。此外，为缓解由于随机初始化 NN 参数而引起的不稳定性，我们在一个小的虚时步骤中引入初始参数优化程序，以稳定随后的变分演化。我们使用数值仿真在 Heisenberg 自旋链上进行测试，分别在最近邻和全连接电路连通性下。结果表明，VQNHITE 在与 VITE 相比，始终能够更高地保真度与精确 ITE 状态相匹配。
引用
@article{arxiv.2503.22570,
title = {Variational quantum-neural hybrid imaginary time evolution},
author = {Hiroki Kuji and Tetsuro Nikuni and Yuta Shingu},
journal= {arXiv preprint arXiv:2503.22570},
year = {2025}
}