TITAN：一种用于大规模VQE中自适应参数冻结的轨迹信息技术

于红博

摘要: 变分量子本征求解器（VQE）是利用量子计算机推进量子化学和材料模拟的领先候选者，然而对于大型哈密顿量，其训练效率迅速下降。两个问题导致了这一瓶颈：（i）无克隆定理要求随着梯度步长中参数数量的增加，电路评估呈线性增长；（ii）更深的电路遇到贫瘠高原（BPs），导致测量开销呈指数增长。为了解决这些挑战，我们提出了一个名为Titan的深度学习框架，该框架在初始化时识别并冻结给定哈密顿量特定类别的ansatze的非活动参数，减少优化开销而不牺牲准确性。Titan的动机始于我们的经验发现，一部分参数始终对训练动态没有明显影响。其设计结合了一个理论上基础的数据构建策略，确保每个训练示例都具有信息量且对BP具有弹性，以及一个跨ansatze大小的自适应神经架构。在基准横向场伊辛模型、海森堡模型和多分子系统（最多30个量子比特）上，Titan实现了高达3倍更快的收敛速度和比最先进的基线少40%至60%的电路评估，同时匹配或超越它们的估计精度。通过主动修剪参数空间，Titan降低了硬件需求，并提供了一条可扩展的路径，以利用VQE推进实际量子化学和材料科学。

更新时间: 2025-09-18 17:50:02

领域: quant-ph,cs.AI

下载: http://arxiv.org/abs/2509.15193v1