1758736904
2025-09-24 17:48:00
Комбинаторная оптимизация представляет собой значительную проблему в разных областях, а квантовые вычисления дают потенциал для значительных улучшений скорости по сравнению с классическими подходами. Zixu Wang, Jack Mandell, Yangyang Xu и Jian Shi, из политехнического института Rensselaer, исследуют алгоритм приблизительной оптимизации Quantum (QAOA), многообещающий метод для достижения квантового преимущества в текущем и ближайшем квантовом оборудовании. Признавая, что сложность схемы стандартного QAOA быстро становится неуправляемой по мере увеличения размера проблемы, команда предлагает новый подход, названный «линейной цепью Ansatz». Этот новый метод создает квантовые схемы с глубиной, независимой от размера задач, резко снижая вычислительные требования и позволяя решать гораздо большие проблемы с оптимизацией, продемонстрированные путем достижения соотношения приближения 0. 78 в экземпляре Maxcut с 100-версиями с использованием цифрового квантового процессора. Это достижение представляет собой значительный шаг к реализации практических квантовых решений для крупномасштабной комбинаторной оптимизации.
Независимый от глубины Qaoa ansatz для масштабируемости
Новый подход к квантовым вычислениям решает проблему решения сложных задач оптимизации с увеличением масштаба. Этот метод создает квантовое состояние, последовательно применяя параметризованные вращения с одним квобитом и ворота контролируемой фазы, эффективно кодируя конкретную проблему информацию в линейную цепь запутанных кубитов. Эта тщательно разработанная структура запутывания обходит необходимость глубоких цепей, которые уязвимы для шума и декогерентности.
Команда демонстрирует, что это ANSATZ достигает конкурентной производительности по задачам комбинаторной комбинаторной оптимизации, включая раскраску Maxcut и график, даже с ограниченной глубиной цепи. В частности, ANSATZ демонстрирует превосходное поведение масштабирования по сравнению со стандартными реализациями QAOA, поддерживая высокую вероятность успеха для более крупных испытательных экземпляров. Исследователи также установили связь между параметрами ANSATZ и основной структурой проблемы, обеспечивая эффективную оптимизацию и улучшенное качество решения.
Производительность LC-QAOA в экземплярах MAXCUT
Подробные экспериментальные результаты демонстрируют производительность варианта QAOA, LC-QAOA, о задачах MAXCUT. Авторы исследовали производительность алгоритма в различных максимальных экземплярах с различными размерами графиков, градусами и весами края. Они также исследовали влияние методов постобработки и длины цепи, используемой в квантовой цепи. Результаты последовательно показывают, что LC-QAOA может достигать хороших коэффициентов приближения, а некоторые методы еще больше улучшают производительность. Тесты на графиках с 40, 60, 80, 100 и 120 вершинами, все с каждой вершиной, подключенной к трем другим, показывают, что среднее соотношение приближения остается относительно стабильным для разных размеров графиков, что предполагает, что алгоритм разумно хорошо хорошо масштабируется.
Дальнейший анализ взвешенных графиков с различной степенью подключения подтверждает эффективность алгоритма, сохраняя постоянную производительность в различных сетевых структурах. Применение этапа после обработки, известного как бит-пластинка, последовательно улучшает коэффициент приближения и, в некоторых случаях, идентифицирует оптимальное решение. Анализ взаимосвязи между длиной цепи и средним коэффициентом приближения демонстрирует, что использование более длинной цепи обычно улучшает производительность, хотя алгоритм все еще может эффективно функционировать с более короткими цепями.
Мелкие схемы решают большие проблемы с максимальной
Исследователи разработали новый подход к QAOA, который решает проблему увеличения сложности цепи по мере роста проблемного размера. Они разработали линейную цепочку ANSATZ, модифицированную структуру квантовой схемы, которая значительно снижает вычислительные требования для решения проблем комбинаторной оптимизации. Органируя запутанные ворота последовательно вдоль линейной цепи в графике Maxcut, команда достигла глубины мелкой цепи, независимо от размера задачи, позволяя вычислениям на более крупных экземплярах. Демонстрации на цифровом квантовом процессоре с 100 кубитами дали средний коэффициент приближения 0.
78 для решения задач Maxcut со 100 вершинами, представляющими современный результат среди вариантов QAOA. Применение битовой стадии после обработки улучшило коэффициент приближения до 0. 95 и успешно восстановил истинное решение Maxcut, демонстрируя потенциал для повышения производительности за счет уточнения данных. Хотя текущие демонстрации ограничены количеством доступных кубитов, исследователи предполагают, что квантовое преимущество может появиться с доступом к квантовому оборудованию с значительно более высоким количеством кубитов.
#Линейная #цепь #ANSATZ #для #квантовой #приблизительной #оптимизации #достигает #независимого #от #глубины #масштабирования #кубитами #верности
По теме
