微分方法（DiffMethod）

DiffMethod 是一个枚举，用于选择 VQCircuit.get_gradients 和 VQCircuit.get_gradients_and_expectation 在计算参数梯度时使用的微分策略。

概述

微分方法的选择决定了期望值对每个变分参数的梯度如何计算。不同的方法在线路求值次数、内存使用和数值精度之间进行权衡。

枚举值

值	描述
ADJOINT_DIFF	伴随微分方法（Adjoint Differentiation）。通过正向运行线路然后反向运行（伴随）来计算梯度，无论参数数量多少，都只需要两次线路求值。基于 Jones 和 Gacon 在 "Efficient calculation of gradients in classical simulations of variational quantum algorithms"（arXiv:2009.02823）中描述的方法。

用法

将 DiffMethod 值传递给 VQCircuit 的梯度计算方法：

import numpy as np
from pyqpanda3.vqcircuit import VQCircuit, DiffMethod
from pyqpanda3.hamiltonian import Hamiltonian

vqc = VQCircuit()
# ... 构建变分线路 ...

params = np.array([0.1, 0.2, 0.3, 0.4])
hamiltonian = Hamiltonian(...)

# 使用伴随微分
grads = vqc.get_gradients(params, hamiltonian, DiffMethod.ADJOINT_DIFF)

# 也可同时获取期望值
result = vqc.get_gradients_and_expectation(params, hamiltonian, DiffMethod.ADJOINT_DIFF)

参考文献

• T. Jones and S. Gacon, "Efficient calculation of gradients in classical simulations of variational quantum algorithms," arXiv:2009.02823, 2020. Available at https://arxiv.org/abs/2009.02823.

另见

• VQCircuit -- 梯度计算方法
• 梯度结果 -- 梯度方法返回的结果类