本文研究了变分量子算法中常用的参数化量子门结构，并基于此导出了新的通用单参数门参数移动规则，并通过与随机参数移位法的组合将这些规则扩展到多参数量子门。作者进行了量子资源需求的系统分析，并且表明高阶导数可以减少资源消耗。作者还使用量子近似优化算法的示例表明了通用参数移位规则在计算许多门输入参数的导数时可以显着减少电路评估次数；此外，我们还通过该方法重建并拓展了 Rotosolve 优化器以及扩展了量子解析下降优化算法。

Jul, 2021

本文研究了如何直接从量子测量中估计要优化的函数的梯度，提出了一种基于 Pauli 旋转扩展的哈密顿量的梯度估计算法，可适用于带噪声量子门的多量子位参数量子演化。

May, 2020

本文提出了一种仅需一个量子电路就能计算量子神经网络梯度的方法，该方法减少了电路深度和经典寄存器数量，同时解决了解决原方法中参数数量较多时所面临的电路调整和重复运行的问题，并在实验中展示了快速编译的优势和缩短总运行时间的速度提升。

Jul, 2023

本文介绍了一种利用同一或几乎相同的架构的方法来估计量子测量期望值的梯度，以优化杂化量子 - 经典算法的目标函数，尤其适用于量子化学、药物发现和机器学习等领域。

Nov, 2018

该研究探讨了混合量子 - 经典优化和学习策略，并提出了一种利用哈密顿在李代数或群论中的代数对称性进行梯度估计的框架，以及使用经典影子重建方法进一步减少测量次数的方法。

Apr, 2024

该论文提出了一种名为量子阴影梯度下降 (QSGD) 的新程序，以解决一次性方法、量子阴影样本生成和非乘积态哈密顿量等相关问题，并通过理论证明、收敛分析和数值实验验证了其结果。

Oct, 2023

这项工作通过提出一种经典梯度计算方法，利用参数偏移规则并使用张量环逼近计算电路的期望值，解决了 VQE 在可扩展性方面的挑战。

Jul, 2023

我们引入了一种新的梯度估计方法，称为 Guided-SPSA，它有意地结合了参数漂移规则和基于 SPSA 的梯度近似，能够在训练过程中减少所需的电路评估数量 15% 到 25％，并取得与参数漂移规则相比类似或更好的优化结果。Guided-SPSA 在所有情况下都优于标准 SPSA，并在参数子优化初始化等情况下优于参数漂移规则。我们通过数值实验展示了 Guided-SPSA 在量子机器学习的不同范式（如回归，分类和强化学习）上的性能。

Apr, 2024

研究了参数化量子电路为基础的强化学习策略的可训练性，发现拥有指数小梯度和梯度爆炸的标准荒原问题，以及这些现象与基态分区和分区映射相关，采用连续型分区的基态可以确保多项式数量的训练窗口和测量次数，该研究在多臂赌博机环境中进行了实证验证。

Jun, 2024

本文讨论使用空间或时间相关门层的电路模块可以避免梯度消失现象，以实现对大规模问题的高效优化，通过随机可分离电路和基于量子交替操作最优变体的 Grover 算法的例子进行了讨论，对成本函数变化的界限进行了计算，在量子非结构化搜索的最佳 Oracle 复杂度的情况下，成本函数变化的界限表明了梯度消失和有效性之间的过渡。

May, 2020