通过分布式量子神经网络推动科学发现与复杂优化的发展

《npj Computational Materials》：Advancing scientific discovery and complex optimization through distributed quantum neural networks

　　

摘要

优化问题在各个领域都至关重要，然而现有的量子算法尽管具有巨大潜力，但由于过度依赖纠缠现象，存在可扩展性和精度方面的问题。为了解决这些限制，我们提出了一种变分量子优化算法（VQOA），该算法采用仅基于量子叠加的方案，其中单量子比特旋转门的功能类似于经典深度神经网络中的神经元。这种可视为量子神经网络的方案显著降低了电路复杂度，提高了抗噪声能力，缓解了“荒芜高原”问题，并且能够高效处理高度复杂的大规模优化问题。此外，我们还引入了分布式VQOA（DVQOA），它将高性能计算与量子计算相结合，从而实现更出色的性能。这些特性使得材料优化任务（如超材料设计）的处理速度大幅提升，相比现有的最先进优化算法，速度提升了50倍以上。除了材料设计之外，DVQOA还能高效解决量子化学问题以及涉及高阶相互作用的N-元（N≥2）优化问题，其性能优于经典深度神经网络。这些优势使得DVQOA成为解决现实世界问题的一种极具前景且功能多样的工具，充分体现了量子-经典混合方法的实际价值。