使用 Quantum Hamiltonian Descent 对参数化电路进行全量子训练

研究提出用 Quantum Hamiltonian Descent（QHD）在量子计算机上全程训练参数化电路，由编码参数的量子比特相干控制另一寄存器中的电路。对于具有光滑周期延拓的代价函数，模拟误差界与网格分辨率无关；对电路，误差界至多随参数数量线性增长。基准函数与参数化电路模拟显示，在成本相同的情况下，优化后的调度能提高找到全局最小值的概率。