.png){kind=icon}
返回
TensorHyper-VQC: a tensor-train-guided hypernetwork for robust and scalable variational quantum computing
.png){kind=icon}
OA
AI
DOI：10.1038/s41534-025-01157-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变分量子计算（VQC）面临基本的可扩展性障碍，这主要归因于 barren plateaus 的存在及其对量子噪声的敏感性。为应对这些挑战，我们提出了 TensorHyper-VQC，这是一种新颖的张量列（TT）引导的超网络框架，可显著提高 VQC 的鲁棒性和可扩展性。我们的框架完全将量子电路参数的生成委托给经典 TT 网络，有效将优化与量子硬件解耦。这种创新的参数化方法缓解了梯度消失问题，通过结构化低秩表示增强了噪声抗性，并促进了高效的梯度传播。基于神经切线核和统计学习理论，我们严谨的理论分析确立了在近似能力、优化稳定性和泛化性能方面的强有力保证。在量子点分类、Max-Cut 优化和分子量子模拟任务上的广泛实验结果表明，TensorHyper-VQC 始终表现出卓越的性能和鲁棒的噪声容忍度，包括在 156 量子比特的 IBM Heron 处理器上的硬件级验证。这些结果将 TensorHyper-VQC 定位为一种可扩展且抗噪声的框架，用于推动在近期设备上的实用量子机器学习的发展。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.3
论文数:
1.4K
被引数:
8.1K
机构
引用论文
Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets用于小分子和量子磁体的硬件高效变分量子本征求解器.png)
NatureOAAI
NatureIF0
OAAI分享收藏分享收藏
查看更多内容