深度生成模型作為人工智能的重要分支，近年來在圖像生成、自然語言處理、大語言模型等領域大放異彩。隨著量子計算與人工智能技術的深度融合，如何將AI方法有效應用于量子問題求解，成為量子人工智能(Quantum AI)領域的重要方向。
 

　　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化，提出了全新的變分生成優化網絡(VGON)，為量子人工智能提供了重要的優化算法工具。該研究發表在中科院一區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化相結合，將傳統“尋找單一最優解”的模式轉變為“學習從先驗分布到最優解分布的輸運映射”。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確定性優化的局限性。
 

　　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方法：
 

　　在中等規模的糾纏檢測中的最優態尋找問題上，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，比傳統方法收斂更穩定。
 

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

　　這一突破表明，VGON不僅在速度和精度上大幅超越傳統方法，也為 Quantum AI(量子人工智能) 的發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、量子信息與智能優化等前沿領域的廣闊應用前景。