Quantum Natural Gradient Optimization for Convergence Reliability in NISQ Variational Quantum Algorithms
Dit artikel vestigt de theoretische fundamenten en empirische superioriteit van Quantum Natural Gradient-optimalisatie ten opzichte van standaard eerste-orde methoden voor het overwinnen van barren plateaus en door ruis geïnduceerde trainbaarheidsproblemen in NISQ variationele kwantumalgoritmen, waarbij een convergentie-succespercentage van 95% en een significante versnelling op een 4-qubit MaxCut-probleem wordt aangetoond door middel van een uitgebreide analyse van informatiestatistiek, ruismechanismen en vergelijkende optimizerprestaties.