摘要：尽管混合量子经典算法的性能在很大程度上取决于经典优化器和电路设计的选择 [ 1 – 3 ]，但迄今为止，对此类特性的硬件稳健而全面的评估仍然缺失。从优化器的角度来看，主要挑战在于求解器的随机性，以及它们对随机初始化的显著差异。因此，稳健的比较需要对每个求解器执行多条训练曲线，然后才能得出关于其典型性能的结论。由于每条训练曲线都需要在量子计算机中执行数千个量子电路，因此对于当今大多数混合平台而言，这种稳健的研究仍然是一项艰巨的挑战。在这里，我们利用 Rigetti 的量子云服务 (QCS™) 来克服这一实施障碍，并研究数据驱动的量子电路学习 (DDQCL) 在三种不同的最先进经典求解器上的硬件性能，以及与同一任务的不同纠缠连接图相关的两种不同电路分析。此外，我们还评估了不同电路深度带来的性能提升。为了评估此基准研究中与这些设置中的每一个相关的典型性能，我们使用至少五次独立的 DDQCL 运行来生成能够捕捉规范 Bars and Stripes 数据集模式的量子生成模型。在此实验基准测试中，无梯度优化算法与基于梯度的求解器相比表现出了出色的性能。特别是，其中一个在处理实验条件下要最小化的不可避免的噪声目标函数时具有更好的性能。