变分量子模拟：理解热启动的案例研究

贫瘠高原现象，其特征是损失梯度随系统大小指数级消失，对扩展变分量子算法构成了挑战。在这里，我们探索了热启动的潜力，即通过初始化更接近解来获得更大的损失方差。我们专注于一种用于学习量子实时演化的更短深度线路的迭代变分方法，进行了一项案例研究，以阐明热启动的潜力和局限性。我们首先证明，该迭代变分算法在每个时间步的初始化周围的一个小区域内将表现出可观的梯度（最坏情况下随系统大小多项式消失）。然后建立了这些区域的凸性保证，表明多项式大小的时间步具有可训练性。然而，我们的研究强调了一些场景，其中好的最小值会移动到具有可训练性保证的区域之外。我们的分析留下了一个悬而未决的问题：这种最小值跳跃是否必然需要在暴瘠高原景观上进行优化，或者是否存在梯度流，即远离高原的、具有可观梯度的肥沃山谷，从而允许训练。虽然我们的主要焦点是变分量子模拟的这个案例研究，但我们最后讨论了我们的结果如何适用于其他迭代设置。