변동 양자 알고리즘(VQA)은 차세대 양자 컴퓨터, 특히 신흥 양자 사물 인터넷(QIoT)에 자원 제약형 가속기로 내장된 알고리즘의 주요 계산 기본 요소로 부상하고 있다. 그러나 이러한 장치 제약 실행 조건 하에서는 기울기가 0으로 수렴하고 훈련이 중단되는 barren plateaus(황무지 평원)로 인해 학습의 확장성이 심각하게 제한된다. 이는 종종 적은 큐비트, 제약된 샷 예산 및 엄격한 대기 시간 요구 사항을 가진 QIoT 엔드포인트에서 VQA 지원 인텔리전스를 제공하는 데 실질적인 어려움을 초래한다. 본 논문에서는 QIoT 장치에서 최적화 프로세스에 음의 학습률을 포함하여 barren plateaus를 탈출하는 새로운 접근 방식을 제시한다. 우리의 방법은 양수 및 음수 학습 단계를 전환하여 모델 훈련에 제어된 불안정성을 도입하여, 상당한 기울기를 회복하고 손실 풍경에서 더 평평한 영역을 탐색할 수 있도록 한다. 우리는 음의 학습이 기울기 분산에 미치는 영향을 이론적으로 평가하고, 그것이 barren zones에서 탈출하는 데 도움이 되는 조건을 제안한다. 일반적인 VQA 벤치마크에 대한 실험 결과는 기존 최적화 프로그램보다 수렴 및 시뮬레이션 결과에서 일관된 개선을 보여준다. Barren plateaus를 탈출함으로써 우리의 접근 방식은 양자-고전 하이브리드 모델에서 강력한 최적화를 위한 새로운 경로를 제시한다.
