模块化基准将量子搜索方向估计与经典参数更新规则解耦，发现最优更新规则随估计器与任务而变
核心概要
该工作提出一个模块化基准框架，将参数化量子电路的搜索方向估计（参数移位、有限差分、SPSA、PGPE、可观测曲率预条件）与经典更新规则（SGD、Adam、RMSprop）独立配对，在MaxCut QAOA、Iris分类、二分类MNIST的QCNN和分子氢VQE四类任务上以256次采样进行有限采样仿真，并在156量子比特处理器上做选定案例研究；结果显示最优更新规则依赖估计器与任务，且峰值性能与跨种子平均性能往往指向不同配置。
Figure 1: Overview of the benchmarking framework. Four parameterized-quantum-circuit workloads are evaluated using a modular optimization loop that separates search-direction estimation from classical parameter updating. Experiments are conducted under finite-shot simulation and selected physical-QPU execution, with comparisons based on solution quality, quantum-evaluation cost, convergence behavior, and hardware-case-study outcomes. Derivative-free methods retain their native proposal and update dynamics
arXiv深度剖析
框架将量子搜索方向估计与经典参数更新规则显式解耦，使二者的交互可被独立考察。 以往比较多把优化器当作完整黑箱，只能说明某实现在某实验中表现好，难以解释其行为为何随设置变化；本工作把方向估计与更新规则分开配对。 在四类工作负载上以固定超参数、256次采样、种子42/123/1234进行仿真，并给出组件级对照表。
在固定估计器时，更换更新规则会显著改变结果，且最优规则随估计器与任务而变。 说明更新规则与方向估计器单独都不决定性能，选择需结合任务指标、跨种子敏感性与评估成本。 表3给出每个估计器在SGD/Adam/RMSprop下的三种子均值与极差；分类任务中自适应规则一致优于SGD，能量任务则依估计器而定。
峰值性能与跨种子平均性能常指向不同配置。 提示仅报告单次最优结果会掩盖跨初始化的一致性差异。 MaxCut中SPSA-SGD与PSR-Adam共享单次最优，但PGPE-SGD平均最优；VQE中PGPE-SGD单次最接近FCI，而FiniteDiff-RMSprop平均绝对误差最低。
将目标函数评估与逻辑电路执行分开记账，揭示参数数量、小批量、移位评估与可观测测量带来的成本差异。 相同优化步数并不对应相同量子测量预算，资源比较需按逻辑电路与请求采样数分别报告。 资源表区分目标评估、逻辑电路与请求采样；VQE因未保留对易测量组数，逻辑电路与采样总数记为未记录。
启示与展望
该框架面向需要在有限采样预算下训练参数化量子电路的研究者与工程实践者，适用于组合优化、监督式量子机器学习与量子化学等变分量子算法工作负载。其模块化配对与资源记账约定可直接用于设计新的比较实验，并支持在报告峰值结果的同时报告跨种子平均表现。硬件案例研究针对选定配置，用于补充仿真发现，而非端到端求解器比较或量子优势测试。
跨任务趋势是关联而非维度受控效应，因为参数数量、架构与任务同时变化。分类种子同时改变数据划分与随机训练序列，差异不能完全归因于参数初始化。硬件运行各为单条轨迹，不支持置信区间或跨种子排名，也无法把偏差归因于特定门、读出或校准效应。VQE未保留对易测量组数，无法把目标评估换算为逻辑电路或采样预算。有限采样下选取最小值可能偏向向下波动，与化学精度的吻合需要独立精度评估。