GuiderNet 一个用于优化量子电路几何结构和缓解贫瘠高原的元学习框架-计算机科学-机器学习-元学习.pdf

GuiderNet:一个用于优化量子电路几何结构和缓解贫瘠高原的元学习框架

MarwanAitHaddouandMohamedBennai

QuantumPhysicsandSpintronicTeam,LPMC,

FacultyofSciencesBenM’sick,HassanIIUniversityofCasablanca,Morocco

(10Dated:2025年6月30日)

变分量子算法（VQAs）有望在近期实现量子优势，但受到平庸高原——梯度消失区域——和条件恶

劣的优化景观的限制。我们引入了引导网，一个元学习框架，通过设计用于最小化Fubini–Study度

量张量的日志条件数的数据相关参数移位来对参数化量子电路（PQCs）进行条件设置。作为经典神经

网络实现的引导网路经过元训练以将PQC参数引导到几何上更有利的区域，然后嵌入混合量子-经典

管道中，在训练过程中指导初始化和自适应调制。

应用于Kaggle糖尿病分类任务，引导网将累积训练损失（曲线下的面积）减少了超过5Œ，提高了

测试准确率从75.3%到98.6%，并增强了少数类F1得分从0.67到0.95。它还抑制了梯度增长并稳

本定了参数更新，实现了更平滑且更稳健的优化。这些结果表明几何元条件化可以有效缓解高原效应和

病态条件问题，提供了一种可扩展策略以增强量子机器学习中的训练能力和泛化能力。

译

中I.介绍识，第III节详细介绍了引导网路设计，第IV

1节展示了实验结果，第V节总结了未来的研究

v

0变分量子算法（VQAs）利用参数化量子电方向。

4路（PQCs）和经典优化来解决量子化学、优化和

9

1机器学习等领域的问题[1–3]。然而，它们面临着

2显著的挑战，例如稀疏高原，在这种情况下，梯II.背景

.

6度随着系统大小或电路深度呈指数级消失，并且

0

5严重的景观病态条件阻碍了训练和泛化[4–6]。为了解决参数化量子电路（PQCs）的可训

2现有的缓解策略提高了表达能力、初始化或练性挑战，分析支撑量子优化景观的几何结构至

:

v优化，但往往缺乏广泛适用性[7–9]。我们提出关重要。本节介绍用于表征该几何结构的数学工

i

x了一种元学习方法，通过最小化Fubini–Study具，并特别关注Fubini–Study度量张量及其对

r

a度量张量的对数条件数来针对PQC损失景观的变分量子算法中条件数和梯度行为的影响。

几何结构。我们的模型引导网络预测数据相关

的PQC参数，引导电路趋向于具有良好条件性

的区域，从而提高可训练性和稳定性。A.参数化量子电路和成本函数

元训练后，引导网路被整合到一个混合量

子-经典分类器中，在推理和微调过程中动态调一个PQC定义量子态为

节PQC参数。这种两阶段框架加速了适应过，其中是一个参数化幺正

程并保留了几何先验。我们实证表明引导网络