VQE 알고리즘의 훈련 효율성 저하 문제를 해결하기 위해, 본 논문에서는 딥러닝 기반 프레임워크인 Titan을 제안합니다. Titan은 특정 해밀토니안에 대해 초기화 시 불필요한 파라미터를 식별하고 고정하여, 정확도를 유지하면서 최적화 오버헤드를 줄입니다. 이는 일부 파라미터가 훈련 역학에 미치는 영향이 미미하다는 경험적 발견에 기반합니다. 정보적이고 BP(Barren Plateau)에 강인한 훈련 데이터 생성 전략과 다양한 크기의 Ansatz에 일반화되는 적응형 신경망 아키텍처를 결합하여 설계되었습니다. 최대 30 큐비트의 이징 모델, 하이젠베르크 모델 및 다양한 분자 시스템을 대상으로 한 벤치마크 결과, Titan은 기존 최고 성능의 기준 모델보다 최대 3배 빠른 수렴 속도와 40~60% 적은 회로 평가 횟수를 달성하면서 동등하거나 우수한 정확도를 보였습니다.
