近日，電子科技大學基礎與前沿研究院、量子物理與光量子信息教育部重點實驗室與清華大學丘成桐數學科學中心、香港中文大學、福州大學研究人員合作，將深度生成網絡引入量子變分優(yōu)化，提出了全新的變分生成優(yōu)化網絡(VGON)，為量子人工智能提供了重要的優(yōu)化算法工具。該研究發(fā)表在中科院一區(qū)Top期刊 Communications Physics 上，論文題為 "Variational optimization for quantum problems using deep generative networks"(基于深度生成網絡的量子問題變分優(yōu)化)。論文由電子科技大學基礎與前沿研究院博士生張凌霞、香港中文大學研究助理教授兼福州大學副教授林小蝶共同擔任第一作者，電子科技大學基礎與前沿研究院王子竹教授和清華大學魏朝暉副教授擔任通訊作者，電子科技大學基礎與前沿研究院為第一完成單位。
 

　　優(yōu)化問題在量子科學和機器學習中始終扮演著核心角色。VGON 將深度生成模型與變分優(yōu)化相結合，將傳統(tǒng)“尋找單一最優(yōu)解”的模式轉變?yōu)?ldquo;學習從先驗分布到最優(yōu)解分布的輸運映射”。這一轉變使得算法在一次訓練后即可生成多個高質量解，從根本上突破了傳統(tǒng)確定性優(yōu)化的局限性。
 

　　在解決多個量子任務中，VGON在不同性能指標上均大幅超越傳統(tǒng)方法：
 

　　在中等規(guī)模的糾纏檢測中的最優(yōu)態(tài)尋找問題上，VGON在效率上比隨機梯度下降快數個數量級；原本需要兩個月的計算，VGON僅用2小時完成，并將有效解比例從1.52%提升至98.59%。
 

　　在擁有數萬參數的量子變分算法求解復雜多體基態(tài)問題上，VGON顯著緩解了長期困擾量子算法的“貧瘠高原”問題；在18量子比特模型上，VGON在880次迭代內達到99%保真度，比傳統(tǒng)方法收斂更穩(wěn)定。
 

　　在擁有多個最優(yōu)解的量子變分算法求解簡并基態(tài)問題上，VGON發(fā)揮作為生成模型優(yōu)化分布的優(yōu)勢僅通過一次訓練就能自動識別基態(tài)空間的維數，并生成覆蓋整個基態(tài)空間的多個正交基態(tài)。
 

　　這一突破表明，VGON不僅在速度和精度上大幅超越傳統(tǒng)方法，也為 Quantum AI(量子人工智能) 的發(fā)展提供了新的工具與思路。作為連接量子物理、人工智能與未來計算的重要橋梁，VGON展示了在量子計算、量子信息與智能優(yōu)化等前沿領域的廣闊應用前景。