由拉脫維亞、德國、葡萄牙與匈牙利跨國研究團隊合作執行的 QuantEra 研究計畫——HQCC（Hybrid Quantum-Classical Computing，混合量子-古典計算），旨在針對最佳化與機器學習任務，開發新型的混合量子-古典演算法。匈牙利團隊由 HUN-REN Wigner 物理研究中心高級研究員 Zoltán Zimborás 主責。研究團隊結合了古典電腦與新興量子電腦的計算優勢，其理論突破預計將為實用化量子計算應用的發展做出重要貢獻。
本計畫的核心研究聚焦於變分量子演算法（Variational Quantum Algorithms, VQA）與量子生成式機器學習（Quantum Generative Machine Learning），這類方法能讓量子處理器與古典電腦進行協同運作：量子系統負責生成量子態或進行樣本採樣，古典演算法則負責迭代最佳化模型參數。研究團隊指出，此類架構對於當前仍處於含雜訊中等規模量子（Noisy Intermediate-Scale Quantum, NISQ）時代、硬體資源尚受限的量子設備特別具備應用潛力。
團隊開發出多款新型演算法並顯著提升其執行效率，其中包括簡化量子電路構建的創新方法，使得相同的計算目標能以更少數量的量子閘（Quantum Gates）達成。由於當前量子電腦對雜訊與錯誤高度敏感，減少閘操作次數對提升精確度至關重要。此外，該計畫最關鍵的成果之一是提出新型最佳化策略。變分量子演算法在訓練過程中的一大瓶頸，是最佳化器容易遭遇「貧瘠高原」（Barren Plateaus）現象而陷於停滯——此時系統參數變化微乎其微，導致學習過程受阻。研究團隊提出的新方法能有效避開這些平坦的最佳化地貌，改採在解空間中進行較大幅度且具方向性的跨步跳躍。該最佳化架構已在大規模量子電路上完成測試，即便面對包含數萬個糾纏量子閘的複雜電路依然有效。團隊進一步引進基於演化選擇機制的演算法元素，大幅降低陷入不良區域極小值（Local Minima）的機率，從而更有效率地尋獲全域最佳解（Global Optimal Solution）。
研究的另一大重點則為量子生成模型（Quantum Generative Models）。團隊開發出一類具特殊結構的模型，能在古典硬體上完成完整訓練，但僅能在量子電腦上進行高效採樣。在此架構下，研究團隊提出了兩種新模型：費米子波恩機器（Fermionic Born Machines）與玻色子波恩機器（Bosonic Born Machines），兩者分別採用了可參數化的費米子與玻色子線性光學轉換。研究證實，這些模型在古典訓練上展現出極佳的可擴充性（Scalability），成功處理了高達 805 個模態（Modes）的光子系統，且可訓練參數超過一百萬個。HQCC 計畫的成果為未來智慧系統中「古典與量子計算機制的協同運作」奠定了堅實的理論與應用基礎。長遠來看，這些創新研究將為解決複雜最佳化問題、推進人工智慧發展、量子化學模擬以及超高維度複雜資料集的處理開啟全新的可能性。
*新聞來源：HUN-REN Hungarian Research Network
