Quantum Fisher Information(QFI)可用于量化量子态对其变异参数变化的敏感度,使其成为量子近似优化算法(QAOA)等算法的自然诊断。 我们对 QAOA for Max-Cut 的 cyclic 和完整图形进行 N = 4 - 10 量子比特的系统 QFI 分析。 研究了两个混合器家族,仅RX和混合RX-RY,深度p = 2,4,6和p = 3,6,9,并且通过循环或完全纠缠模式实现最多三个纠缠阶段。 完整的图形始终产生比循环图更大的QFI特征值;没有一个设置达到海森堡极限(4N^2),但有几个超过了线性边界(4N)。 引入纠缠主要将QFI从对角线重新分配到对角线条目:非纠缠电路最大化每参数(对角线)灵敏度,而纠缠层增加协方差分数,从而交叉参数相关性,在第一阶段之后收益递减。 利用这些观察,我们提出,作为概念的证明,QFI-Informed Mutation(QIm)发热,从标准化对角线QFI中设置突变概率和步进大小。 在7-和10量子位实例中,QIm获得更高的平均能量和更低的方差,比100次运行的相等概率和随机重启基线,强调QFI是QAOA和其他可变量子算法的轻量级,问题感知的前提条件。