机构名称：
¥ 1.0
摘要 变分量子算法是一类量子启发式算法，是展示有用量子计算的有希望的候选算法。找到在硬件上放大这些方法性能的最佳方法是一项重要任务。在这里，我们使用一类称为“元学习器”的现有技术来评估量子启发式算法的优化。我们在三个模拟环境中的三个问题上，针对两种量子启发式算法（量子交替算子 ansatz 和变分量子特征求解器），比较了元学习器与进化策略、L-BFGS-B 和 Nelder-Mead 方法的性能。我们表明，在嘈杂的参数设置环境中，元学习器比我们测试的所有其他优化器更频繁地接近全局最优值。我们还发现，元学习器通常更能抵抗噪音，例如，在嘈杂和采样环境中，性能下降幅度较小，并且“增益”指标的平均表现优于其最接近的竞争对手 L-BFGS-B。最后，我们提供了证据表明，在小问题上训练的元学习器将推广到更大的问题。这些结果是一个重要的迹象，表明元学习和相关的机器学习方法将成为近期嘈杂量子计算机有用应用不可或缺的一部分。
使用元学习优化量子启发式方法
主要关键词
相关文件推荐
