TensorHyper-VQC：一种由张量积列引导的超网络，用于鲁棒且可扩展的变分量子计算

为什么这一针对量子计算机的新思路很重要

量子计算机有望在化学、材料和优化领域带来突破，但当前的设备仍然规模小且含有噪声。一种主流策略称为变分量子计算，它让经典计算机与量子芯片协同工作以解决难题。然而，随着电路规模增大，这类混合系统的训练常常陷入停滞，并且对噪声极为敏感。本文提出了 TensorHyper‑VQC，一种新的量子电路控制方式，能够保持训练稳定、扩展到更多量子比特，并天然抵御当前设备中困扰性的许多硬件噪声。

一种更聪明的量子电路驱动方式

传统的变分量子电路直接在量子芯片上逐一调整数百乃至数千个门角。随着量子比特数和电路层数增加，学习信号可能消失到所谓的“贫瘠平原”（barren plateau）——梯度几乎为零，训练停滞。TensorHyper‑VQC 颠覆了这种做法。它不是逐个调节量子门，而是训练一个由张量积列网络构建的紧凑经典模型来生成全部量子门参数。量子电路在形状上保持固定，仅作为前向计算器：它从经典生成器接收角度，运行一次并返回测量结果。所有繁重的优化工作都在经典硬件上完成，在那里梯度更易计算且不那么暴露于量子噪声。

结构如何驯服复杂性与噪声

该方法的核心是张量‑列（tensor‑train, TT）网络，它用一串小的低秩张量来表示海量的电路参数。这种结构化表示类似一种巧妙的压缩方案：通过提高内部秩可以增强表达能力，或通过保持秩较小来使表示更紧凑、更耐噪声。由于每个门角都是通过这种共享的低秩结构产生的，量子测量的随机波动自然在众多 TT 分量间被平均掉。作者利用神经切线核（Neural Tangent Kernel）理论工具表明，这一设计改善了学习问题的条件性，加快了收敛速度，并避免了最糟的贫瘠平原效应。他们的分析还揭示了一个权衡：更高的秩提高了表达力但可能损害泛化能力，类似深度学习中的过拟合现象。

将框架付诸实际测试

团队在三项迥异的任务上对 TensorHyper‑VQC 进行了基准测试。首先，他们对来自半导体量子点的电荷稳定性图像进行分类，这对构建可扩展的量子硬件至关重要。在只有数百个可训练 TT 参数的情况下，该方法在无噪声模拟中迅速达到近乎完美的准确率，即便注入多种类型的量子噪声，测试准确率也依然很高。它不仅优于标准变分电路和其他超网络设计，还击败了使用更多参数的强大经典视觉模型。值得注意的是，TensorHyper‑VQC 在一台 156 量子比特的 IBM Heron 处理器上仍保持高准确率，而采用复杂误差缓解工具的传统方法则远远落后。

在有噪声设备上求解图和分子问题

接着，作者将 TensorHyper‑VQC 嵌入量子近似优化算法（QAOA）以解决 Max‑Cut 问题，这是图论中的经典挑战。在随机生成的 20 量子比特图上，他们的 TT 引导方法在找到划分割中持续优于标准 QAOA，即使后者配备了先进的降噪技术。他们随后转向量子化学，估算氢化锂分子的基态能量。仅用九个 TT 参数，TensorHyper‑VQC 在模拟中就能达到接近理想全构型相互作用（full‑configuration‑interaction）值的精度，优于使用近三倍参数的传统变分本征求解器。在现实噪声条件和实际 IBM 硬件上，TT 引导模型同样交付了明显更小的能量误差，凸显了其在退相干和读出误差面前的鲁棒性。

这对量子计算未来意味着什么

综上所述，这些结果为近期量子计算提出了一套有前景的方案：保持量子电路简单且固定，让经过精心结构化的经典模型学习如何驱动它们。TensorHyper‑VQC 展示了通过将优化推到无噪声的经典空间并使用低秩张量结构来组织参数，可以更可靠地训练更深更大的量子电路，使用更少的可调参数，并减少对复杂误差缓解方案的依赖。对于非专业读者，关键信息是：更智能的经典控制可以让今天不完美的量子芯片更有用，加速在器件诊断、组合优化和分子设计等实际应用方向上的进展。

引用: Qi, J., Yang, CH.H., Chen, PY. et al. TensorHyper-VQC: a tensor-train-guided hypernetwork for robust and scalable variational quantum computing. npj Quantum Inf 12, 70 (2026). https://doi.org/10.1038/s41534-025-01157-z

关键词: 变分量子计算, 量子机器学习, 张量网络, 量子噪声鲁棒性, 量子优化