变分量子算法（VQA）

变分量子算法（Variational Quantum Algorithm，VQA）是一类量子-经典混合优化框架：在量子处理器上运行参数化量子电路生成候选量子态，再由经典优化器迭代调整参数，直至目标函数收敛至近似最优解。它是当前嘈杂中等规模量子（NISQ）时代最具实用前景的算法范式，核心实例 VQE 于 2014 年由 Peruzzo 等人在光子量子处理器上首次实验演示。

VQA 的数学基础是量子力学中的变分原理：基态能量是哈密顿量在任意试探态上的期望值下界，因此最小化期望值即可逼近基态。

• 参数化量子电路（PQC / Ansatz）：电路结构固定，旋转门角度 θ 可调，决定量子态 |ψ(θ)⟩ 的表达能力。
• 量子端职责：态制备与测量，计算可观测量期望值 ⟨ψ(θ)|H|ψ(θ)⟩。
• 经典端职责：接收期望值，用梯度下降或无梯度方法更新参数，迭代直至收敛。
• NISQ 友好性：浅层电路对相干时间要求低，无需完整量子纠错，契合当前硬件能力。

典型 VQA 运行为量子端与经典端交替的闭环迭代。

• Ansatz 设计 ：按硬件拓扑选硬件高效 Ansatz，或按化学结构选 UCCSD 等领域专用电路。
  - 量子端执行 ： 初始化量子比特，施加含参门，对哈密顿量 Pauli 分解项分批测量，累加得期望值。
  -梯度估计：用参数移位规则（parameter-shift rule）在真实量子硬件上直接估计梯度，无需数值差分。
  - 经典端优化： 梯度型（Adam、BFGS）或无梯度型（COBYLA、SPSA）优化器更新 θ，再送回量子端。
  -收敛判据：目标值变化低于阈值，或达到最大迭代次数后终止。

VQA 是一个算法族，不同变体针对不同问题领域。

• VQE（变分量子本征求解器）：2014 年 Peruzzo 等人首次在光子芯片上演示，用于计算分子哈密顿量基态能量，是量子化学的核心工具。
• QAOA（量子近似优化算法）：2014 年 Farhi、Goldstone、Gutmann 提出（arXiv:1411.4028），针对 MaxCut 等组合优化问题，通过交替施加问题算符和混合算符构造 Ansatz。
• ADAPT-VQE：2019 年提出，自适应地向电路添加算符，自动搜索高效 Ansatz，大幅压缩电路深度。
• VQLS（变分量子线性求解器）：以变分方式近似求解线性方程组 Ax=b。
• QNN（量子神经网络）：将 PQC 视为可训练层，应用于量子机器学习分类与生成任务。

VQA 兴起于 2014 年，随 NISQ 硬件普及迅速演化。

• 2014：Peruzzo 等在《Nature Communications》发表 VQE 实验论文（首次实验验证）；Farhi 等提出 QAOA，奠定组合优化方向。
• 2016–2018：IBM Q Experience、Rigetti Forest 等量子云平台开放，VQE/QAOA 进入快速实验期；McClean 等发现「贫瘠高原」问题（2018）。
• 2019：Google 宣布「量子霸权」（Sycamore 处理器），进一步推动 NISQ 算法热度；ADAPT-VQE 提出。
• 2021 至今：贫瘠高原理论成熟，研究转向噪声鲁棒训练、更优 Ansatz 设计，以及对 VQA 经典可模拟性的严格分析。

VQA 在理论与工程层面均面临严峻瓶颈，「量子优势」的声称需保持审慎。

• 贫瘠高原（Barren Plateau）：电路层数或参数规模增加时梯度指数级消失，经典优化器失效，是当前最核心的理论障碍。
• 量子噪声：NISQ 设备的门错误率和退相干污染期望值估计，使优化收敛到伪极值。
• Ansatz 选择困境：硬件高效 Ansatz 表达能力有限，领域专用 Ansatz 迁移性差，自动化设计仍是开放问题。
• 测量开销：统计上可靠的期望值估计需大量电路重复运行，成为时间主要瓶颈。
• 经典可模拟性：部分浅层电路可被经典张量网络高效模拟，削弱潜在量子优势。

当前应用以量子化学最为成熟，其余领域仍处于早期探索阶段。

• 量子化学：用 VQE 计算 H₂、HeH⁺、LiH 等小分子基态能量，为药物分子和材料设计提供量子精度参考。
• 组合优化：QAOA 用于最大割、投资组合优化、物流调度等 NP 难问题，但严格超越经典算法的实例尚未被证明。
• 量子机器学习（QML）：训练量子分类器和生成模型，探索量子电路的特殊表达能力。
• 量子模拟：模拟强关联电子系统（Hubbard 模型等），辅助凝聚态物理研究。

VQA 与若干外观相似的概念存在本质差异。

• VQA vs 纯量子算法（Shor / Grover）：纯量子算法电路结构固定、无经典优化迭代，但要求深电路与容错硬件；VQA 电路浅，适合 NISQ 设备。
• VQA vs 量子退火：量子退火是专用模拟硬件上的优化过程（如 D-Wave），VQA 是基于通用门电路的数字量子框架。
• VQA vs 视觉问答（VQA）：缩写相同，语境截然不同；在量子计算文献中只用中文全称「变分量子算法」或英文全称以消除歧义。
• VQA vs 经典神经网络：两者都用梯度法优化参数，但 VQA 通过量子叠加态和纠缠实现参数化映射，量子表达优势尚无定论。