使用量子梯度学习参数化量子电路

为什么量子电路需要更好的“学习”手段

随着量子计算机能力的提升，科学家希望用它们来解决化学、优化和机器学习中的难题。实现这一愿景的关键工具之一是参数化量子电路：一种可编程的量子配方，通过调整旋钮来完成特定任务。但在实践中，训练这些电路经常失败，因为可选设置的风景充满了平坦的高原和误导性的陷阱，传统算法在这些地方会被卡住。本文引入了一种新的学习方式，让量子计算机自身指引下坡方向，帮助逃离这些死区，提高量子学习的可靠性。

量子学习陷入困境的原因

目前大多数量子学习方法依赖经典计算机使用梯度来调整电路参数——即在降低所选代价（如能量或误差）的方向上做微小推动。然而在大型量子系统中，这些梯度几乎处处变得极其微小。由此出现两类相关问题。首先是不利的局部驻点：梯度为零但解仍远未到位的点，包括不良极小值和鞍点。其次是荒原平原：巨大的近乎平坦区域，梯度在许多方向上基本为零。在这两种情形下，经典优化器看不到有用信号，训练停滞不前，尤其当可调参数的数量远小于量子态空间的规模时更是如此。

让量子设备提供方向

作者提出了一种嵌套优化模型，在循环中结合量子与经典步骤。该方法并不只对电路参数计算梯度，而是使用量子梯度算法直接在量子态空间中寻找真正的最速下降方向。在每次外层迭代中，量子设备生成一个新的“梯度态”，指示当前态应如何改变以降低一般多项式代价函数。这个态不依赖于任何固定的电路结构。随后，经典例程尝试学习一层新的电路，使其尽可能重现该梯度态，从而有效地将电路朝量子设备推荐的方向引导。

能判断何时卡住的自适应电路

该方法的核心成分是一个指标，用来检查训练是处于真正的良好极小值，还是仅仅因参数梯度消失而卡住。在每次迭代开始时，算法测量当前电路输出与量子导出的梯度态的接近程度。如果它们已很好匹配，指标接近于零，表明态空间和参数空间的梯度都已实质性地消失，很可能已达到真正的最优点。若不匹配，方法会自动向电路添加一层新的浅层结构，并训练它更好地逼近梯度态。这种以暖启动为始、逐层增长的策略使每一新层只在一小块相关区域中探索，而不是随机漫游，有助于避免由过深、随机初始化电路引起的荒原平原。

在困难优化任务上的测试

为了检验该方法，作者在两类问题上进行了模拟。一类是小图上的Max-Cut问题，这是量子优化的标准试验场。另一类是具有多个局部极小值的高阶多项式函数最小化。在理想模拟和更现实的情形下（其中使用基于强化学习的电路合成工具仅近似重现梯度态），该嵌套方法均一致收敛到高质量解。指标在迭代中稳步下降，表明算法更接近真实极小值，而不是停留在浅陷阱或平原中。

在原有策略擅长的领域取得优势

该新方法还与那些逐门增长电路的流行自适应方法（尤其是ADAPT-VQE）以及标准的固定深度训练进行了比较。在分子能量问题和多个基准可观测量上，嵌套方案在其他方法停滞的设置中取得了更低的最终代价。它对荒原平原和不利局部驻点的敏感性明显较低，但也需要额外的工作量：每次迭代包括一次量子梯度步骤加上一个小规模的电路合成问题。作者建议将该方法作为一种有针对性的工具——例如在训练早期用于逃离问题区域，然后在电路进入更有利的地形后将控制权交还给更廉价的经典优化。

这对量子学习未来的意义

通俗地说，这项工作赋予量子计算机在学习如何自我编程时更主动的角色。与其完全依赖经典猜测去调整电路旋钮，不如让量子设备在其高维态空间中绘制下坡路径。这一策略使得避开早期方法中困扰的平坦、令人迷惑的区域变得更容易，至少对于一类多项式风格的代价函数如此。虽然该方法并非没有代价——它增加了计算开销——但它为使参数化量子电路更易训练提供了一种实用途径，这是在当今噪声设备和未来容错机器上实现有用量子优化与量子机器学习应用的重要一步。

引用: Li, K., Wang, Y., Gao, P. et al. Learning parameterized quantum circuits with quantum gradient. npj Quantum Inf 12, 59 (2026). https://doi.org/10.1038/s41534-025-01179-7

关键词: 参数化量子电路, 量子优化, 荒原平原（barren plateaus）, 量子梯度, 变分量子算法