想象这样一个傍晚：你在阳台上调试一台老式收音机。广播声沙沙的，夹着电流杂音。你把天线拉长一点，声音清了；又转动一个角度，杂音又冒出来。你只能一遍遍地试——转动、聆听、回忆刚才的效果、再决定往哪个方向调。终于，在一个看似不起眼的角度上，呲啦声消失了，音乐清脆地流淌出来。那一刻你会觉得，之前的几十次“瞎猜”全都值了。 VQE（变分量子本征求解器）做的正是这件事，只是把场景换成了量子计算机。它的“天线”是一条参数可调的量子线路；“广播声清晰度”是分子体系的能量期望值；而那个耐心调天线的“你”，则是一台经典计算机上的优化器。两套系统组成一个闭环：量子芯片制备试探态、测量能量，经典计算机分析结果、更新参数，如此往复，直到找到能量最低的基态。 这个“量子+经典”混合的思路，是当前噪声中等规模量子（NISQ）时代最被看好的实用算法之一，也为 AI 从业者打开了通往量子计算世界的大门。

岗位关联

掌握 VQE，相当于同时理解了量子线路、经典优化与混合计算架构三大核心，是投身量子 AI 方向性价比最高的一步。

目录
  1. 可视化演示
  2. VQE流程概览
  3. ansatz设计
  4. 经典优化器
  5. 测量策略
  6. 噪声与误差缓解
  7. 量子化学应用
  8. 挑战与展望
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示VQE混合量子-经典优化循环：参数化ansatz制备、量子线路测量期望值、经典优化器更新参数、收敛至基态能量。切换步骤查看各阶段，拖动滑块调节分子大小。

本节配有交互动效（进入视口后自动加载，约 3KB）。

参数化Ansatz制备 硬件高效型ansatz：交替单比特旋转门与纠缠门，参数θ由经典优化器提供 化学启发型ansatz：参考Hartree-Fock态加耦合簇激发，物理意义明确但深度较大 |ψ(θ)⟩ = U(θ)|0⟩ ansatz表达能力决定VQE能达到的精度上限

VQE流程概览

调试收音机的四步——把天线摆好、转动旋钮、贴近喇叭听、根据声音决定下一步——看起来简单，却是“测量-决策-调整”的闭环。VQE 的每一轮迭代完全复刻了这个闭环。

在量子化学里，我们最关心的是一个分子能量最低的状态，叫基态。要知道基态能量，就要解一个复杂的薛定谔方程，但分子越大方程越难。VQE 换了个思路：不直接解方程，而是不断“试”一个参数化的态，量它的能量，再根据结果调整。这个“试出来的态”由一条带有旋钮（参数）的量子线路制备，那条线路就叫 ansatz。

VQE 先把分子哈密顿量 \(\hat{H}\) 编码到量子比特上，让能量信息“住”进量子态，再用 ansatz 制备试探态 \(|\psi(\boldsymbol{\theta})\rangle\)，最后测量能量期望值。变分原理保证了一个关键下界：

就像收音机无论怎么拧，信号清晰度都有一个上限——好的位置只有那一个；VQE 无论怎么调参数，能量也有一个下限，那正是我们要找的基态。

E(θ)=⟨ψ(θ)∣H^∣ψ(θ)⟩≥E0\displaystyle E(\boldsymbol{\theta}) = \langle \psi(\boldsymbol{\theta}) | \hat{H} | \psi(\boldsymbol{\theta}) \rangle \geq E_0
通俗理解：无论参数怎么调，测到的平均能量都不会低于真实的基态能量，所以我们只管放心往下“压”。
  1. 试探态参数化线路作用在初态上得到的量子态，是整个优化的“变量”。
    ∣ψ(θ)⟩=U^(θ)∣0⟩\displaystyle |\psi(\boldsymbol{\theta})\rangle = \hat{U}(\boldsymbol{\theta})|0\rangle
  2. 哈密顿量描述系统总能量的算符，是我们要“读取”的对象。
    H^\displaystyle \hat{H}
  3. 期望值计算对试探态重复测量取平均，得到当前参数下的能量。
    E(θ)=⟨ψ(θ)∣H^∣ψ(θ)⟩\displaystyle E(\boldsymbol{\theta}) = \langle \psi(\boldsymbol{\theta}) | \hat{H} | \psi(\boldsymbol{\theta}) \rangle
  4. 变分下界变分原理保证任意试探态的期望能量不低于真实基态能量。
    E(θ)≥E0\displaystyle E(\boldsymbol{\theta}) \geq E_0

ansatz设计

天线的形状决定了它能收到哪些波段的信号。拉杆天线适合调频，环形天线对方向更敏感。VQE 中的 ansatz 就是量子线路的“天线”。

ansatz 是一段带有可调参数的量子线路，它决定了我们能探索多大的态空间。选得不好，就像天线太短，怎么调都收不到台。主流 ansatz 分成两大类：硬件高效型和化学启发型。

硬件高效型 ansatz（HEA）由单比特旋转和相邻比特纠缠门堆叠而成，贴合量子芯片的物理拓扑，线路深度小，对 NISQ 设备友好；化学启发型 ansatz 从分子的电子结构出发，典型代表是 UCCSD（酉耦合簇单双激发），它把化学上的激发算符映射为幺正变换：

选天线要看环境，选 ansatz 要看硬件和分子体系。硬件高效型像“万金油”拉杆天线，化学启发型像为特定频率设计的专用天线。

U^UCCSD(θ)=eT^(θ)−T^†(θ), T^=∑iaθiaa^a†a^i+∑ijabθijaba^a†a^b†a^ja^i\displaystyle \hat{U}_{\text{UCCSD}}(\boldsymbol{\theta}) = e^{\hat{T}(\boldsymbol{\theta}) - \hat{T}^{\dagger}(\boldsymbol{\theta})},\ \hat{T} = \sum_{ia}\theta_{ia}\hat{a}_{a}^{\dagger}\hat{a}_{i} + \sum_{ijab}\theta_{ijab}\hat{a}_{a}^{\dagger}\hat{a}_{b}^{\dagger}\hat{a}_{j}\hat{a}_{i}
  1. 耦合簇算符用产生和湮灭算符描述电子的激发过程，是化学启发型的核心。
    T^(θ)=∑iaθiaa^a†a^i+∑ijabθijaba^a†a^b†a^ja^i\displaystyle \hat{T}(\boldsymbol{\theta}) = \sum_{ia}\theta_{ia}\hat{a}_{a}^{\dagger}\hat{a}_{i} + \sum_{ijab}\theta_{ijab}\hat{a}_{a}^{\dagger}\hat{a}_{b}^{\dagger}\hat{a}_{j}\hat{a}_{i}
  2. 单激发项一个电子从占据轨道 \(i\) 跳到空轨道 \(a\)。
    θiaa^a†a^i\displaystyle \theta_{ia}\hat{a}_{a}^{\dagger}\hat{a}_{i}
  3. 双激发项两个电子同时跃迁，对应电子关联效应。
    θijaba^a†a^b†a^ja^i\displaystyle \theta_{ijab}\hat{a}_{a}^{\dagger}\hat{a}_{b}^{\dagger}\hat{a}_{j}\hat{a}_{i}
  4. 指数映射取指数后得到幺正变换，保证量子态归一化。
    U^=eT^−T^†\displaystyle \hat{U} = e^{\hat{T} - \hat{T}^{\dagger}}

经典优化器

调天线时，有人喜欢大步横扫找方向，有人喜欢小步微调慢慢逼近。优化器就是 VQE 里的“调参手法”。

参数多了，人肉调不现实，需要经典优化器自动更新 \(\boldsymbol{\theta}\)。两类思路：梯度类优化器计算能量对参数的导数，走下山方向，收敛快但需要额外测量；无梯度优化器只靠函数值摸索，适合量子测量噪声大的场景。

解析梯度可以用参数位移规则求得，其核心是两点差分近似：

SPSA 每次随机扰动所有参数，只需两次测量就能估计梯度方向，代价是估计有方差；COBYLA 不依赖梯度，靠几何插值，稳健但收敛慢。大步扫能快速找到大致方向，小步微调才能精准落在甜点位，选优化器就是选“扫描节奏”。

∂E(θ)∂θi≈E(θi+ϵ)−E(θi−ϵ)2ϵ\displaystyle \frac{\partial E(\boldsymbol{\theta})}{\partial \theta_i} \approx \frac{E(\theta_i + \epsilon) - E(\theta_i - \epsilon)}{2\epsilon}
  1. 参数位移分别把参数增加和减少一个小量 \(\epsilon\)，得到两个能量值。
    E(θi+ϵ),E(θi−ϵ)\displaystyle E(\theta_i + \epsilon),\quad E(\theta_i - \epsilon)
  2. 差分取平均两个能量之差除以 \(2\epsilon\)，近似为斜率。
    E(θi+ϵ)−E(θi−ϵ)2ϵ\displaystyle \frac{E(\theta_i + \epsilon) - E(\theta_i - \epsilon)}{2\epsilon}
  3. 梯度方向每个参数的偏导组成梯度向量，指向能量上升最快的方向。
    ∇E(θ)=(∂E∂θ1,…,∂E∂θm)\displaystyle \nabla E(\boldsymbol{\theta}) = \left( \frac{\partial E}{\partial \theta_1}, \ldots, \frac{\partial E}{\partial \theta_m} \right)

测量策略

判断收音机清不清楚，你得听整整几秒钟，不能只听一瞬。量子测量也一样，一次测量只是抽一次签。

哈密顿量通常拆成许多泡利项之和，每一项都要单独统计期望值。如果一项一项测，采样次数爆炸。聪明的办法是把能同时测的项打包。把哈密顿量展开为 \(\hat{H} = \sum_k h_k \hat{P}_k\)，能量期望值分解为：

测量分组策略把相关旋钮编成一组，一次检查一排，省时省力。在真实设备上，分组省下的采样次数往往比优化器省下的还多。

⟨H^⟩=∑khk⟨P^k⟩\displaystyle \langle \hat{H} \rangle = \sum_{k} h_k \langle \hat{P}_k \rangle
  1. 泡利项每个 \(\hat{P}_k\) 是单比特泡利算符的张量积，如 \(X \otimes I \otimes Z\)。
    P^k∈{I,X,Y,Z}⊗n\displaystyle \hat{P}_k \in \{I, X, Y, Z\}^{\otimes n}
  2. 系数加权实数 \(h_k\) 表示该项对总能量的贡献大小。
    hk∈R\displaystyle h_k \in \mathbb{R}
  3. 期望值求和总能量等于所有泡利项期望值的加权和。
    ⟨H^⟩=∑khk⟨P^k⟩\displaystyle \langle \hat{H} \rangle = \sum_{k} h_k \langle \hat{P}_k \rangle
  4. 共享测量基若几个泡利项互相纠缠对易，一次测量即可同时读出多项。
    [P^i,P^j]=0\displaystyle [\hat{P}_i, \hat{P}_j] = 0

噪声与误差缓解

刮风天调收音机，手一抖方向就偏，信号还会被风干扰。量子芯片上的噪声就像“量子版刮风”。

噪声来源包括退相干、门操作不完美、测量读数错误。噪声让能量估计偏高且抖动，必须想办法“拨开云雾”。误差缓解不是纠错，而是尽力抵消噪声。常见招数有：测量校准（先测已知状态标定读数错误）、动态解耦（插入脉冲抵消环境退相干）、零噪声外推 ZNE（在多个噪声强度下外推到零噪声）：

你在不同风力下都听一遍，再推测“无风时会多清晰”——ZNE 就是这个思路的数学化。它不消灭噪声，但能让结果更接近真实值。

E无噪声=lim⁡λ→0E(λ)\displaystyle E_{\text{无噪声}} = \lim_{\lambda \to 0} E(\lambda)
  1. 噪声放大人为把噪声强度放大到 \(\lambda > 1\)，测出对应的能量 \(E(\lambda)\)。
    E(λ),λ=1,1.5,2,3,…\displaystyle E(\lambda),\quad \lambda = 1, 1.5, 2, 3, \ldots
  2. 数据点拟合用这些噪声-能量数据拟合一条外推曲线。
    E(λ)≈a+bλ+cλ2\displaystyle E(\lambda) \approx a + b\lambda + c\lambda^2
  3. 极限外推把曲线延伸到 \(\lambda \to 0\)，得到零噪声估计。
    E无噪声=lim⁡λ→0E(λ)\displaystyle E_{\text{无噪声}} = \lim_{\lambda \to 0} E(\lambda)

量子化学应用

天线调好了，广播台终于传来清晰的古典乐。VQE 参数收敛后，得到的就是分子的“能量之声”。

VQE 最成熟的应用是量子化学模拟：计算小分子的基态能量、画出键解离曲线、探索激发态。它让化学家在真正的量子力学层面“看到”分子。给定分子，先用经典方法算积分得到哈密顿量，再交给 VQE 优化：

实验上已在氢分子、氢化锂、水分子等体系验证了精度，但离实际催化剂和药物设计还有距离。从调天线到听广播，从调参数到算化学——VQE 把“调”的艺术变成了可编程的流程。

E0分子=min⁡θ⟨ψ(θ)∣H^分子∣ψ(θ)⟩\displaystyle E_0^{\text{分子}} = \min_{\boldsymbol{\theta}} \langle \psi(\boldsymbol{\theta}) | \hat{H}_{\text{分子}} | \psi(\boldsymbol{\theta}) \rangle
  1. 分子哈密顿量包含电子动能、电子-原子核吸引、电子-电子排斥等能量项。
    H^分子=−∑i∇i22−∑iAZAriA+∑i<j1rij\displaystyle \hat{H}_{\text{分子}} = -\sum_i \frac{\nabla_i^2}{2} - \sum_{iA}\frac{Z_A}{r_{iA}} + \sum_{i<j}\frac{1}{r_{ij}}
  2. 最小化过程经典优化器不断调整参数，把能量期望值压到最低。
    min⁡θE(θ)\displaystyle \min_{\boldsymbol{\theta}} E(\boldsymbol{\theta})
  3. 基态能量最小值对应的能量就是分子基态能量近似值。
    E0≈min⁡θE(θ)\displaystyle E_0 \approx \min_{\boldsymbol{\theta}} E(\boldsymbol{\theta})

挑战与展望

再好的天线也有物理极限：频率覆盖有限，环境干扰无法根除。VQE 同样卡在几条“物理天堑”上。

最大的拦路虎是贫瘠高原（barren plateau）：线路越长、比特越多，梯度方差指数级缩小，优化器像在高原上走路，哪边都一样平。这一现象可以定量描述为：

这意味着盲目增加 ansatz 深度不会带来更多表达能力，反而让优化寸步难行。应对方向有分层训练、局部成本函数、寻找对称性友好的 ansatz。长远看，容错量子计算将结合量子相位估计等算法，把 VQE 的“变分”思想推向更强大的形态。知道天线极限，才不会指望靠多拉几下解决所有信号问题——VQE 的下一站，是更聪明的天线和更强壮的接收器。

Var(∂E∂θj)∼2−cn\displaystyle \text{Var}\left(\frac{\partial E}{\partial \theta_j}\right) \sim 2^{-c n}
  1. 梯度方差参数梯度的波动幅度，反映优化器能获得多少“方向感”。
    Var(∂E∂θj)\displaystyle \text{Var}\left(\frac{\partial E}{\partial \theta_j}\right)
  2. 比特数指数方差随量子比特数 \(n\) 指数衰减，衰减速度由常数 \(c\) 控制。
    2−cn\displaystyle 2^{-c n}
  3. 指数衰减后果当 \(n\) 稍大时梯度几乎为零，参数更新陷入停滞。
    lim⁡n→∞2−cn=0\displaystyle \lim_{n \to \infty} 2^{-c n} = 0

AI 应用场景

催化剂分子设计中的基态能量计算

阶段：算法应用与实验验证

解决的问题：传统密度泛函理论在过渡金属催化剂上精度不足，而完全精确的量子化学方法计算量随分子大小指数爆炸。VQE 在量子芯片上直接模拟电子结构，用化学启发型 ansatz 保证精度，搭配无梯度优化器应对噪声环境，为催化剂活性位点的基态能量提供更可靠的参考值。

具体案例：某材料团队将 VQE 应用于模拟钌基催化剂的小分子模型，先用经典方法算出哈密顿量，再用 VQE 迭代优化，动态解耦技术把退相干影响压低了约 30 %，最终得到比传统方法更贴近实验的吸附能曲线。

药物小分子结合自由能预测

阶段：数据处理与模型推理

解决的问题：药物筛选需要快速评估小分子与靶蛋白的结合强弱，经典力场方法忽略量子效应，误差常在数 kcal/mol。VQE 精确计算配体-靶点复合物的电子能，配合测量分组策略把采样次数压缩到原来的五分之一，让量子化学级别的精度第一次有机会进入筛选流程。

具体案例：一家量子计算初创公司与药企合作，对候选药物分子片段执行 VQE 模拟，测量校准后能量误差进入化学精度（约 1.6 kcal/mol）以内，帮助排序出一批更值得合成的候选化合物。

量子机器学习混合模型的特征生成

阶段：模型训练与特征提取

解决的问题：经典神经网络难以高效表达某些量子态特征。VQE 训练好的 ansatz 参数可以作为一组“量子特征”，输入经典分类器，形成量子-经典混合机器学习管线。这相当于用天线调出的“清晰信号”充当 AI 的输入特征。

具体案例：研究人员用 VQE 对小型自旋链的基态编码，将优化后的参数作为特征向量，在相位识别任务上比原始测量数据训练的模型准确率提升了约 15 %。

Python 演示

python39 行
import numpy as np # 构造 Pauli 算符I = np.eye(2, dtype=complex)X = np.array([[0, 1], [1, 0]], dtype=complex)Y = np.array([[0, -1j], [1j, 0]], dtype=complex)Z = np.array([[1, 0], [0, -1]], dtype=complex) # 简化分子哈密顿量（两比特模型）H = (1.5 * np.kron(I, Z) + 1.5 * np.kron(Z, I)     + 0.5 * np.kron(X, X) - 1.0 * np.kron(Y, Y)     + 0.5 * np.kron(Z, Z)) def uccsd_ansatz(theta):    # 化学启发型 ansatz 的简化版: RY 旋转 + CNOT 纠缠    ry = np.array([[np.cos(theta / 2), -np.sin(theta / 2)],                   [np.sin(theta / 2), np.cos(theta / 2)]],                  dtype=complex)    u = np.kron(ry, I)    cnot = np.array([[1, 0, 0, 0],                     [0, 1, 0, 0],                     [0, 0, 0, 1],                     [0, 0, 1, 0]], dtype=complex)    return cnot @ u def energy(theta):    # 制备试探态并计算能量期望值    psi = uccsd_ansatz(theta) @ np.array([1, 0, 0, 0], dtype=complex)    return np.real(psi.conj() @ H @ psi) best_theta, best_e = 0.0, float('inf')for theta in np.linspace(-np.pi, np.pi, 200):    e = energy(theta)    if e < best_e:        best_e, best_theta = e, theta print(f"最佳参数 theta = {best_theta:.4f}")print(f"VQE 能量       = {best_e:.6f}")print(f"精确基态能量   = {np.linalg.eigvalsh(H.real)[0]:.6f}")
目的：用 numpy 模拟一个两比特分子哈密顿量，通过简化 UCCSD ansatz 扫描参数，演示 VQE “参数化试探态 + 能量期望值最小化” 的核心闭环。
  1. H = (1.5 * np.kron(I, Z) + ...)构造简化分子哈密顿量，对应正文中的泡利项分解。
  2. def uccsd_ansatz(theta)定义参数化试探线路，对应正文的化学启发型 ansatz。
  3. ry = np.array(...)参数化旋转门，是 ansatz 的“旋钮”。
  4. cnot = np.array(...)CNOT 纠缠门，让量子比特间产生关联。
  5. psi = uccsd_ansatz(theta) @ np.array(...)从初态制备试探态。
  6. np.real(psi.conj() @ H @ psi)计算能量期望值，对应核心公式。
  7. np.linspace(-np.pi, np.pi, 200)扫描参数空间，模拟无梯度优化器。

常见误区

误区“VQE 是量子算法，所以算任何分子都比经典计算机快。”

正解VQE 的采样次数和线路深度在 NISQ 时代很大，早期只能处理几个量子比特的小分子；许多体系用经典方法反而更快。换天线不一定会让收音机更清晰，还要看电台距离和天气。量子优势需要硬件和算法共同成熟后才显现。

为何常见：人们看到“量子”二字就默认指数加速，忽略了 VQE 是混合算法，经典优化器和测量开销可能成为瓶颈。

误区“把线路堆得越长越深，能表达的量子态越多，结果肯定越好。”

正解线路加深会放大门错误和退相干噪声，还会触发贫瘠高原——梯度方差指数缩小，参数根本动不了。天线拉太长反而信号更差，关键在匹配体系与硬件，而不是一味加长。

为何常见：人的直觉是“越多越好”，但量子噪声和优化困难让深度成为双刃剑。

误区“量子测量有噪声，所以无梯度优化器 COBYLA 永远比梯度类好。”

正解COBYLA 和 SPSA 确实不依赖解析梯度，适合噪声环境，但收敛慢、易卡局部极小；梯度类优化器配合参数位移规则，在噪声较小或做误差缓解后收敛更快。大步扫能快速找到方向，小步微调才能精准定位，两者各有适用场景。

为何常见：初学者只看到噪声对梯度的破坏，忽略了无梯度方法自身的收敛代价。

误区“采样次数翻倍，能量估计误差就减半，所以拼命增加测量就行。”

正解测量误差按 \(1/\sqrt{N}\) 下降，想再精确一位，采样次数要增加约百倍。测量分组策略通过共享测量基一次读多个泡利项，比盲目加采样更高效。一个台听太多遍耗时，别的台就来不及听了。

为何常见：统计直觉容易让人忽略采样成本的指数增长，而分组策略才是工程上的关键。

误区“用了 ZNE 和测量校准，结果就和理想量子计算机一样了。”

正解ZNE、动态解耦等只是统计性地抑制噪声，不能恢复已经丢失的量子信息；对于深线路，外推误差本身也会放大。风雨天戴耳机听广播只能缓解沙沙声，不能消除雷声。

为何常见：缓解和纠错听起来相似，但它们本质不同：一个是减少影响，一个是主动修复错误。

面试题

Q1. 变分量子本征求解器的英文简称是？

单选题 · easy

  • A.VQE← 正确答案
  • B.QFT
  • C.QPE
  • D.QEC

答案：A。VQE 是 Variational Quantum Eigensolver 的缩写；QFT 是量子傅里叶变换，QPE 是量子相位估计，QEC 是量子纠错，它们都不是变分本征求解器。

Q2. VQE 优化的核心目标是？

单选题 · easy

  • A.最大化能量期望值
  • B.最小化能量期望值← 正确答案
  • C.最大化测量方差值
  • D.最小化线路深度值

答案：B。VQE 通过调整参数使能量期望值逼近基态能量，而变分原理说明期望值有下界，所以目标是“往下压”最小化它，而不是最大化。

Q3. ansatz 在 VQE 中的角色是？

单选题 · easy

  • A.参数化试探态线路← 正确答案
  • B.经典优化器算法库
  • C.哈密顿量编码模块
  • D.量子测量分组工具

答案：A。ansatz 是带可调参数的量子线路，负责制备试探态；它决定可探索的态空间，而不是负责编码、优化或测量。

Q4. 硬件高效型 ansatz 的设计特点是？

单选题 · mid

  • A.贴合硬件拓扑降低开销← 正确答案
  • B.参照化学激发结构设计
  • C.完全不考虑硬件限制
  • D.使用随机深度量子线路

答案：A。硬件高效型 ansatz 用贴合物联网拓扑的单比特旋转和少量纠缠门，降低线路深度和噪声开销；B 是化学启发型，C 和 D 与其设计初衷矛盾。

Q5. UCCSD 属于哪类 ansatz？

单选题 · mid

  • A.化学启发型试探线路← 正确答案
  • B.硬件高效型试探线路
  • C.数据编码类量子线路
  • D.随机生成类量子线路

答案：A。UCCSD（酉耦合簇单双激发）从量子化学的激发算符出发构造幺正变换，是化学启发型的代表；硬件高效型不依赖化学结构知识。

Q6. 下列属于无梯度优化器的是？

单选题 · mid

  • A.COBYLA 无梯度算法← 正确答案
  • B.Adam 自适应矩估计算
  • C.SGD 随机梯度下降算
  • D.L-BFGS 拟牛顿算法

答案：A。COBYLA 靠几何插值搜索最优解，不计算梯度；Adam、SGD、L-BFGS 都依赖梯度信息，在噪声环境下需要额外测量开销。

Q7. 贫瘠高原现象的本质特征是？

单选题 · hard

  • A.参数梯度方差指数级衰减← 正确答案
  • B.测量噪声导致能量偏高
  • C.优化器收敛于局部极小
  • D.采样测量次数严重不足

答案：A。贫瘠高原指梯度方差随比特数 \(n\) 按 \(2^{-cn}\) 指数衰减，使参数更新几乎停滞；噪声偏置、局部极小和采样不足是另一类问题。

Q8. 以下属于 VQE 常见误差缓解手段的是？

多选题 · mid

  • A.测量校准与读取纠错← 正确答案
  • B.零噪声外推 ZNE 技术← 正确答案
  • C.动态解耦脉冲序列法← 正确答案
  • D.无限制增加量子线路深

答案：ABC。测量校准修正读数错误、ZNE 外推零噪声结果、动态解耦抑制退相干都是误差缓解。D 反而会加深噪声累积，不是缓解手段。

Q9. 泡利测量分组策略能带来哪些好处？

多选题 · hard

  • A.减少总采样次数开销← 正确答案
  • B.合并对易泡利项测量← 正确答案
  • C.提升测量效率与精度← 正确答案
  • D.从根源上消除测量噪声

答案：ABC。分组策略把纠缠对易的泡利项共享测量基一次读出，从而减少采样次数、提升效率。它不能消除设备本身的测量噪声，所以 D 错误。

Q10. 关于 VQE 的发展现状与未来，正确的认识是？

多选题 · extreme

  • A.NISQ 设备噪声限制其扩展← 正确答案
  • B.贫瘠高原阻碍大规模优化← 正确答案
  • C.容错量子计算将推动其演进← 正确答案
  • D.已完全替代经典量子化学软件

答案：ABC。NISQ 噪声和贫瘠高原是当前两大瓶颈，容错量子计算结合量子相位估计等算法会推动 VQE 思想演进；但它并未完全替代经典化学软件，D 错误。