Solving Inequality-Constrained Binary Optimization Problems on Quantum Annealer
我们提出了一个新的方法来解决二元优化问题的不等式约束下使用量子退火。为了处理不等式约束，我们经常使用松弛变量，就像以前的方法一样。当我们使用松弛变量时，我们通常进行二进制扩展，这需要大量的物理量子位。因此，当前量子退火机的问题仅限于小规模。在这项研究中，我们采用交替方向法的乘数。这种方法使我们能够处理各种类型的使用限制在当前的量子退火没有松弛变量。为了测试我们的算法的性能，我们使用二次背包问题（QKPs）。我们比较了我们的方法与模拟退火和D波机的优化和采样模式所获得的精度。作为我们的实验结果，我们发现，采样模式显示出最好的准确性。我们还发现，我们的方法的计算时间是快于精确求解器，当我们处理各种QKP定义在稠密图。
2020-12-11 cond-mat.stat-mech quant-ph
Design Optimization of Noise Filter using Quantum Annealer
本研究以π型噪声滤波器为例，展示了量子退火器在黑盒优化中用于电路系统设计的适用性，通过寻找元件最优位置，实现高效搜索高性能设计。
2023-01-10 quant-ph
Training Multilayer Perceptrons by Sampling with Quantum Annealers
The University of Adelaide（阿德莱德大学）
量子退火在机器学习中的一个成功应用是训练受限玻尔兹曼机（RBM）。然而，许多用于视觉应用的神经网络是前馈结构，例如多层感知器（MLP）。反向传播是目前训练用于监督学习的MLP的最有效的技术。本文旨在通过探索使用量子退火器训练MLP来进行前瞻性研究。我们利用MLP和基于能量的模型（EBM），这是一个变化的RBM与最大条件似然目标之间的等价性。这导致了一种策略，训练MLP与量子退火作为采样引擎。我们证明了我们的设置与sigmoid激活函数和一个隐藏层的MLP，并展示了训练的二进制图像分类器的小子集的MNIST和时尚MNIST数据集使用的D波量子退火。虽然问题的大小是可行的，目前的退火炉是有限的，我们得到了全面的结果，验证我们的想法可行的情况下。我们的工作确立了量子计算在训练MLP方面的潜力。
2023-03-22 cs.LG quant-ph
Boosting the Performance of Quantum Annealers using Machine Learning
Jozef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）；CENN Nanocenter（CENN纳米中心）；University of Ljubljana（卢布尔雅那大学）
有噪声的中尺度量子（NISQ）器件正在引领第二次量子革命。其中，量子退火机是目前唯一提供多达5000个量子比特的真实世界商业应用的设备。量子退火机能够解决的问题的大小主要受到环境噪声和处理器固有缺陷引起的误差的限制。我们解决的问题的内在缺陷与一种新的纠错方法，基于机器学习方法。我们的方法调整输入哈密顿量，以最大限度地找到解决方案的概率。在我们的实验中，所提出的纠错方法将退火的性能提高了三个数量级，并且能够解决以前难以解决的最复杂的问题。
2022-03-07 cs.LG quant-ph
Building an iterative heuristic solver for a quantum annealer
量子退火机在理论上最小化二次无约束二进制优化（QUBO）问题，但在它可以处理的问题的大小和密度方面受到物理硬件的限制。我们开发了一个元启发式求解器，它利用D-Wave Systems的量子退火器（或任何其他QUBO问题优化器）通过迭代求解子问题来解决更大或更密集的问题，同时保持其余变量不变。我们提出了我们的算法，几个变种，和优化的标准QUBO问题的实例，从OR库的大小为500和2500，以及大小为3000至7000的Palubeckis实例的结果。对于实际使用的求解器，我们显示的时间依赖于最佳的解决方案所需的差距，以最好的解决方案。此外，我们研究的差距和时间的依赖关系，以最佳解决方案的大小的问题解决的基础优化。
2015-08-28 cs.DM cs.ET math.OC
Quantum Advantage in Cryptography with a Low-Connectivity Quantum Annealer
量子素因子分解算法在密码学中的应用促进了人们对量子计算的兴趣。然而，量子计算机，特别是量子退火机，也可以帮助构造安全的密钥。事实上，寻找用于密码学的鲁棒布尔函数是序列密码、分组密码和散列函数等中的重要问题。由于关联空间的超指数大小$\mathcal{O}(2^{2^n})$，找到具有全局密码约束的$n$变量布尔函数在计算上是困难的。这个问题已经解决了采用通用低连接非相干D波量子退火。然而，有限的连接的嵌合体图，以及布尔函数设计问题的复杂性的指数增长，限制了问题的可扩展性。在这里，我们提出了一个特殊用途的相干量子退火架构，每个量子位有三个耦合器，旨在最佳编码弯曲函数设计问题。具有这种树型架构的相干量子退火器具有解决$8$可变弯曲函数设计问题的潜力，该问题在经典上未解决，仅具有$127$物理量子位和$126$耦合器。这为在量子退火框架内实现有用的量子霸权铺平了道路。
2020-10-28 quant-ph
Quantum chemistry on quantum annealers
迄今为止，量子硬件上的小分子量子化学计算仅在通用门量子计算机上得到证明，而不是量子退火机。后一种设备仅限于找到伊辛哈密顿量的最低本征态，而电子哈密顿量不能映射到伊辛形式，而伊辛哈密顿量不会随着系统的大小呈指数增长[J. Phys. Chem. B 122，3384（2018）]。在这里，我们提出了一种新的混合离散-连续优化算法，该算法使用量子退火器来求解问题的离散部分，从而找到量子比特耦合簇（QCC）方法的最低本征态。QCC方法是一种在量子比特空间中构造电子波函数的潜在精确方法。因此，我们的方法允许使用量子退火系统地改进量子化学计算。我们通过计算LiH、H $_2$ O和C $_6$ H $_6$分子的QCC基态电子态来说明我们的方法的能力。C $_6$ H $_6$计算涉及36个量子比特，是迄今为止在量子退火机（D-Wave 2000 Q系统）上进行的最大量子化学计算。我们的发现为量子退火机在高通量材料发现中的应用开辟了新的视角。
2019-01-15 physics.chem-ph quant-ph
Breaking limitation of quantum annealer in solving optimization problems under constraints
量子退火是一种使用虚拟量子涨落的优化问题的通用求解器。量子退火研究领域最具突破性的进展是其硬件实现，即，所谓的量子退火器，使用人工自旋。然而，人工自旋之间的连接是稀疏的，并且在称为嵌合体图的特殊网络上受到限制。已经提出了几种嵌入技术，但是代表要解决的优化问题的逻辑旋转的数量急剧减少。特别地，包括完全或甚至部分连接的自旋的优化问题遭受嵌合体图上的低可嵌入大小。在本研究中，我们提出了一种替代方法来解决一个大规模的优化问题的嵌合体图通过一个众所周知的方法在统计力学称为Hubbard-Stratonovich变换或其变种。该方法可用于处理全连通的伊辛模型，而无需嵌入嵌合体图，并导致非平凡的优化问题的结果。我们测试了所提出的方法与一些分区问题，涉及解决线性方程组和交通流优化问题，在日本仙台和京都的城市。
2020-02-13 cond-mat.dis-nn cs.DM quant-ph
Portfolio Optimisation Using the D-Wave Quantum Annealer
第一台量子计算机有望在二次优化问题上表现出色。本文以金融学中的一个二次问题--投资组合优化问题为研究对象。在这里，选择一组资产进行投资，以使总风险最小化，实现最低回报并满足预算约束。这个问题在两个主要指数Nikkei 225和S\&P500指数中的几个实例中得到了解决，使用了D-Wave量子退火器及其混合求解器的最新实现。结果是基准对传统的，国家的最先进的，商业上可用的工具。结果表明，对于所使用的实例的大小的问题，D-Wave解决方案，在其目前，仍然有限的大小，已经接近商业求解器的性能。
2020-11-13 math.OC q-fin.PM quant-ph
Support vector machines on the D-Wave quantum annealer
Forschungszentrum Jülich（于利希研究中心）；RWTH Aachen University（亚琛工业大学）；University of Groningen（格罗宁根大学）
基于核的支持向量机（SVM）是用于分类和回归问题的有监督机器学习算法。我们介绍了一种方法来训练支持向量机上的D-Wave 2000 Q量子退火，并研究其性能相比，支持向量机上训练的传统计算机。该方法既适用于合成数据，也适用于从生物实验中获得的实际数据。我们发现，量子退火产生不同的解决方案，往往更好地推广到看不见的数据比单一的全局最小值的SVM训练在传统的计算机上，特别是在只有有限的训练数据的情况下。对于更多的训练数据比目前适合量子退火的情况下，我们表明，分类器的数据子集的组合几乎总是产生更强的联合分类器比传统的SVM相同的参数。
2021-01-26 cs.LG quant-ph stat.ML
Improving solutions by embedding larger subproblems in a D-Wave quantum annealer
量子退火是解决组合优化问题的启发式算法，D-Wave Systems Inc.开发了该算法的硬件实现。然而，一般来说，我们不能嵌入大规模问题的所有逻辑变量，因为可用的量子位的数量是有限的。为了处理一个大问题，qbsolv被提出作为一种方法，用于将原始的大问题划分为可嵌入D-Wave量子退火器的子问题，然后使用量子退火器迭代优化子问题。在子问题的多个逻辑变量同时更新，在这个迭代求解器，并使用这种方法，我们希望获得更好的解决方案比可以通过传统的局部搜索算法。虽然嵌入大子问题是必不可少的，以提高该计划中的解决方案的精度，子问题的大小是小的qbsolv，因为子问题基本上是通过使用一个完整的图，即使是稀疏的问题图的嵌入。这意味着D-Wave量子退火机的资源没有得到有效利用。在本文中，我们提出了一个快速算法嵌入较大的子问题，我们表明，更好的解决方案，有效地嵌入较大的子问题。
2019-01-02 physics.data-an quant-ph
A Review of Machine Learning Classification Using Quantum Annealing for Real-world Applications
University of Kentucky（肯塔基大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
优化机器学习管道的训练有助于降低训练成本并提高模型性能。一种这样的优化策略是量子退火，这是一种新兴的计算范式，在优化机器学习模型的训练方面显示出了潜力。物理量子退火器的实现已经由D-Wave系统实现，并可供研究界进行实验。最近使用量子退火的各种机器学习应用的实验结果显示了有趣的结果，其中经典机器学习技术的性能受到有限的训练数据和高维特征的限制。本文探讨了D-Wave的量子退火器在优化机器学习管道以解决现实世界分类问题方面的应用。我们回顾了应用领域上的物理量子退火已被用于训练机器学习分类。我们讨论并分析了在D-Wave量子退火机上进行的实验，这些实验用于图像识别、遥感成像、计算生物学和粒子物理学等应用。我们讨论了量子退火可能优于经典计算的可能优势和问题。
2021-06-05 cs.LG quant-ph
Modified Multiple Sequence Alignment Algorithm on Quantum Annealers (MAQ)
提出一种在量子退火机上改进的MSA算法，应用渐进比对技术修改退火算法，在引入更复杂启发式方法的同时实现自旋使用量的线性减少，为基于量子计算的生物信息学研究开辟了新途径。
2024-03-24 quant-ph
Replication-based quantum annealing error mitigation
本文提出基于并行量子退火的 RBM 误差缓解方法，通过跨问题副本分散同一逻辑量子比特的物理表示，在 NISQ 退火器上提升能量与基态概率，并兼容更广泛的硬件连接模式。
2024-04-09 quant-ph
Temporal information processing on a 4,500-qubit quantum annealer
Institute for Cross-Disciplinary Physics and Complex Systems (IFISC) UIB-CSIC（跨学科物理与复杂系统研究所（IFISC） UIB-CSIC）；Theoretical Division, Los Alamos National Laboratory（理论部，洛斯阿拉莫斯国家实验室）；USRA Research Institute for Advanced Computer Science (RIACS)（美国大学空间研究协会先进计算机科学研究院（RIACS））；NEST, Scuola Normale Superiore（NEST，比萨高等师范学院）；D-Wave Quantum（D-Wave量子）；New Mexico Consortium（新墨西哥联盟）
该研究在4,500量子比特的量子退火器上实现大规模量子机器学习模型，利用反向退火产生的多体动力学处理时间数据，证明相互作用不可或缺，并成功预测混沌时间序列。
2026-09-18 quant-ph
Traffic flow optimization using a quantum annealer
量子退火算法属于元启发式工具，适用于解决二元优化问题。量子退火的硬件实现，例如D-Wave Systems生产的量子处理单元（QPU），已经在研究中进行了多次分析，目的是表征该技术对优化和采样任务的有用性。在本文中，我们提出了一个使用量子技术的实际应用。具体来说，我们展示了如何映射现实世界的交通流优化问题的某些部分，以适合量子退火。我们表明，时间关键的优化任务，如密集的道路网络中的汽车位置数据的连续重新分配，是量子应用的合适候选者。由于当前一代D-Wave QPU的尺寸和连接性有限，我们使用混合量子和经典方法来解决流量问题。
2017-08-09 cs.DS quant-ph
Validation and benchmarking of quantum annealing technology
本文提出量子系统动力学与铁路调度两类量子退火求解算法，并结合张量网络基线和并行暴力搜索，对 D-Wave 退火器进行验证与基准评估。
2023-12-06 quant-ph
Enhancing Quantum Annealing Performance for the Molecular Similarity Problem
量子退火是一种利用量子力学来解决困难优化问题的有前途的技术。在物理量子退火器的开发方面已经取得了相当大的进展，从而激发了提高这种求解器效率的方法的研究。在这项工作中，我们提出了一个量子退火方法来衡量分子结构之间的相似性。在量子退火机上实现现实世界的问题是具有挑战性的，因为硬件限制，如稀疏连接，固有的控制误差和有限的精度。为了克服有限的连通性，一个问题必须重新制定使用小嵌入技术。使用一个真实的数据集，我们调查的量子退火在解决分子相似性问题的性能。我们提供的实验证据表明，嵌入的常见做法，可以取代新的替代品，减轻了一些硬件的限制，提高其性能。嵌入的常见做法包括最小化量子位的数量或链长，以及凭经验确定铁磁耦合器的强度。我们表明，目前的标准选择嵌入不提高硬件的性能的分子相似性问题。此外，我们使用理论方法来确定铁磁耦合器的强度。这种方法消除了当前经验方法的计算负担，并且还导致可以受益于简单的局部经典改进的硬件解决方案。虽然我们的研究结果仅限于这里考虑的问题，他们可以概括为指导未来的基准研究。
2017-01-16 cs.DM q-bio.QM quant-ph
Track clustering with a quantum annealer for primary vertex reconstruction at hadron colliders
本研究提出一种完全依赖量子退火的带电粒子径迹聚类算法，通过D-Wave量子退火机在LHC事件上验证，并在56个逻辑量子比特问题上展现出优于模拟退火的量子优势。
2023-04-03 hep-ex quant-ph
Impact of Fixing Spins in a Quantum Annealer with Energy Rescaling
本文研究了量子退火中固定自旋尺寸缩减方法与能量重标度的关系，通过数值模拟和实验证明该方法能在保持自旋链嵌入的同时提升均匀全连接铁磁伊辛模型的退火性能。
2025-07-19 cond-mat.stat-mech quant-ph
On Quantum Annealing Without a Physical Quantum Annealer
针对实体量子退火机供应商单一的局限，提出离散化量子退火方案与混合量子-经典启发式算法QASA，可在更少步数下达到与模拟退火相当的性能，为固定参数量子优化研究提供新思路。
2023-07-19 quant-ph
Developing Quantum Annealer Driven Data Discovery
Booz Allen Hamilton（博思艾伦汉密尔顿）
机器学习应用受到计算能力的限制。在本文中，我们通过自然语言处理（NLP），癫痫发作预测和线性可分性测试的实验，获得了量子退火（QA）在机器学习（ML）中应用的新见解。这些实验是在QA模拟器和早期商业QA硬件上进行的，并与前所未有的传统ML技术进行了比较。我们扩展了QBoost，一个早期实现的二进制分类器，利用量子退火，通过预测概率的重新排序和集成，以产生一个更强大的类估计。为了确定这种方法的优点和缺点，在多个数据集上测试了重采样QBoost（RQBoost），并与QBoost和传统ML进行了比较。我们展示并解释了QBoost与商业QA设备的结合如何无法完美地分离二进制类数据，这些数据可以通过具有收缩的逻辑回归线性分离。我们进一步探索了RQBoost在NLP和癫痫预测领域的性能，并发现使用QBoost和RQBoost的QA启用ML优于传统技术。此外，我们提供了一个详细的讨论算法的限制和权衡使用这个QA硬件。通过这些实验，我们通过提升和使用量子退火硬件提供了对量子ML状态的独特见解，这对于有兴趣将QA应用于ML及其他问题的机构来说是有价值的。
2016-03-25 cs.LG quant-ph
Two-photon driven Kerr resonator for quantum annealing with three-dimensional circuit QED
我们提出了一个可实现的电路QED架构的工程状态的超导谐振器非共振耦合到辅助超导量子比特。量子比特-谐振器色散相互作用与施加到量子比特的微波驱动一起产生具有双光子驱动的克尔谐振器，这使得我们能够有效地设计谐振器的量子态，例如生成用于基于谐振器的通用量子计算的薛定谔猫态。此外，所提出的架构是易于扩展的解决映射到伊辛自旋玻璃模型的优化问题，从而作为一个平台，量子退火。尽管已经提出了各种具有超导量子比特的可扩展架构来实现量子退火器，但是现有的退火器目前仅限于量子比特的相干时间。在这里，基于协议实现双光子驱动克尔谐振腔在三维电路QED（3D cQED），我们提出了一个灵活的和可扩展的硬件实现量子退火，结合的优点，可达到在3D cQED和最近提出的谐振器为基础的Lechner-Hauke-Zoller（LHZ）计划的长相干时间。在基于谐振腔的LHZ退火器中，每个自旋被编码在由3D微波超导谐振腔的两个相位相反的相干态构成的子空间中，从而将全连接的伊辛模型映射到具有局域可调三腔相互作用的谐振腔网络上.这种硬件结构为实现具有改进相干性的量子退火器提供了一个有前途的物理平台。
2017-12-12 quant-ph
Efficient Combinatorial Optimization Using Quantum Annealing
最近第一台商用量子计算机的出现为解决NP难题提供了一个很有前途的工具，这些问题只能用现有技术来解决。然而，目前还不清楚量子计算的现状是否已经提供了超过经典计算中现有技术的量子优势。本文评估了D-Wave 2X量子退火机在两个NP困难图问题上的性能，特别是团查找和图划分。为此，我们提供了适用于量子退火机的Qubo和Ising Hamilton公式，并比较了各种量子求解器（由D-Wave Sys，Inc.提供的Sapi，QBSolv，QSage）。目前的经典算法（METIS，模拟退火，第三方团发现和图分裂算法）在某些测试集的图。我们证明，对于小图的情况下，经典的方法仍然优于量子退火计算时间方面，即使获得的最佳解决方案的质量是可比的。然而，由于可以嵌入在D-Wave 2X芯片上的问题大小有限，上述发现适用于量子退火机上可解决的大多数一般性质的问题。对于专为适应D-Wave 2X架构而设计的实例，我们观察到计算时间比经典方法大幅加快。
2018-01-30 quant-ph
Analyzing the behaviour of D'WAVE quantum annealer: fine-tuning parameterization and tests with restrictive Hamiltonian formulations
TECNALIA（泰克纳利亚）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））
尽管被认为是计算的下一个前沿，但量子计算仍处于发展的早期阶段。事实上，目前的商用量子计算机受到一些关键限制，例如噪声过程和有限数量的量子位等，这些限制影响了量子算法的性能。尽管有这些限制，研究人员已经投入了大量的精力来提出不同的框架，以有效地使用这些噪声中间尺度量子（NISQ）设备。其中一个程序是D'WAVE Systems的量子退火器，它可以通过将优化问题转化为能量最小化问题来解决优化问题。在这种情况下，这项工作的重点是提供有用的见解和信息的量子退火机的行为时，解决现实世界的组合优化问题。我们这项研究的主要动机是向非专家利益相关者开放一些量子计算前沿。为此，我们进行了广泛的实验，在参数敏感性分析的形式。这个实验已经进行了使用旅行推销员问题作为基准问题，并采用两个QUBO：国家的最先进的和一个启发式生成的。我们的分析是在一个7节点的实例上进行的，它基于200多种不同的参数配置，包括3700多次酉运行和700万次量子读取。由于这项研究，已经获得了与能量分布和最合适的参数设置相关的发现。最后，进行了一项额外的研究，旨在确定在进一步的TSP实例中的并行构建的QUBO的效率。
2022-07-01 cs.AI quant-ph
Multiple Query Optimization on the D-Wave 2X Adiabatic Quantum Computer
D-Wave绝热量子退火机利用量子物理学解决了困难的组合优化问题。最新版本具有超过1000个量子位，并于2015年8月发布。我们被允许访问这样一台机器，目前托管在加利福尼亚州的NASA艾姆斯研究中心，以探索在数据库环境中出现的硬优化问题的潜力。在本文中，我们解决了多个查询优化（MQO）的问题。我们将展示如何将MQO问题实例转换为符合量子退火机接受的限制性输入格式的数学公式。这个公式被转换成量子比特上和量子比特之间的权重，这样可以通过一个称为绝热量子退火的过程找到最小化输入公式的配置。我们分析了MQO问题维度中所需量子位数的渐近增长率，因为量子位数是目前限制适用性的主要因素。我们实验比较的量子退火对其他MQO算法在传统计算机上执行的性能。虽然目前可以处理的问题规模有限，但我们已经发现了一类问题实例，其中量子退火器比其他方法快三个数量级。
2015-10-21 cs.DB quant-ph
Digital Annealer-Assisted CNOT Oriented Quantum Circuit Transpilation with Integrated QUBO Mapping and Routing
Keio University（庆应义塾大学）；University College London（伦敦大学学院）
本文提出利用数字退火进行精度优先的量子电路编译，通过混合策略和全退火策略实现CNOT门数减少，提升近量子硬件的实用性。
2026-09-01 quant-ph
Optimal Control of Traffic Signals using Quantum Annealing
二次无约束二进制优化（QUBO）是一种用于描述和解决一类组合优化问题的数学形式。由于它们与统计力学中铁磁性的二维伊辛模型的天然等价性，来自QUBO类的问题可以在量子退火硬件上解决。在本文中，我们报告了一个QUBO格式的问题的最优控制的时间依赖的交通信号在人工网格结构的道路网络，以缓解交通流量，并使用D-Wave系统的量子退火来解决它。由于目前的D-Wave退火器有有限的量子位数和有限的量子位之间的连接，我们采用混合（经典/量子）的方法来解决这个问题。由于交通流是一个连续的和不断发展的现象，我们解决这个时间依赖性的问题，采用工作流周期性地生成和解决多个问题实例。
2020-11-07 quant-ph
Systematic and Deterministic Graph-Minor Embedding for Cartesian Products of Graphs
当前和下一代量子退火机的有限连接性激发了对高效图子嵌入方法的需求。这些方法允许非本地的问题，以适应目标退火的架构。广泛使用的启发式技术的开销很快被证明是解决现实世界的应用程序的一个重大瓶颈。为了减轻这一困难，我们提出了一种系统性和确定性的嵌入方法，利用特定问题的输入图和量子退火机的结构。我们专注于两个完全图的笛卡尔积的特定情况下，经常发生在许多问题的结构。我们将嵌入问题分为：首先将笛卡尔积的一个因子嵌入到可重复的模式中。由此产生的简化问题包括这些副本的放置和连接在一起，以达到一个有效的解决方案。除了系统和确定性方法在速度和效率方面的明显优势外，所产生的嵌入很容易扩展到更大的处理器，并显示出所使用的量子位数和链长分布的理想特性。最后，我们简要地解决了这个问题，通过提出可能的扩展方法，规避不可操作的量子位。
2016-07-09 cs.DM cs.DS quant-ph
Local Binary and Multiclass SVMs Trained on a Quantum Annealer
University of Trento（特伦托大学）；Jülich Supercomputing Centre（于利希超级计算中心）；University of Iceland（冰岛大学）；Trento Institute for Fundamental Physics and Applications（特伦托基础物理与应用研究所）；Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；AIDAS（艾达斯）
针对量子退火机训练的SVM受硬件连通性限制训练集规模的问题，结合FaLK-SVM局部方法提出量子训练的局部二分类与多分类SVM，经遥感真实数据集实验验证其有效性、可扩展性与大规模场景实用性。
2024-03-13 cs.ET cs.LG quant-ph
Lossy compression of statistical data using quantum annealer
提出了一种基于二进制变量表示学习的统计浮点数据有损压缩算法。该算法找到一组基向量及其二进制系数，精确地重建原始数据。基向量的优化是经典的，而二进制系数通过模拟和量子退火进行比较。本文还提出了一种偏差校正方法，用于估计和消除由有损压缩的不精确重建引入的误差和偏差，以用于统计数据分析。压缩算法在两个不同的格子量子色动力学模拟数据集上进行了演示。使用模拟退火得到的结果显示3.5倍更好的压缩性能比基于神经网络自动编码器和主成分分析的算法。使用量子退火的计算也显示出有希望的结果，但性能受到量子处理单元的集成控制误差的限制，这会在偏置和耦合参数中产生很大的不确定性。进一步研究了上一代D-Wave 2000 Q和当前D-Wave Advantage系统之间的硬件比较。我们的研究表明，优势系统比2000 Q更有可能获得低能量的解决方案的问题。
2021-10-05 hep-lat quant-ph stat.ML
Quantum Annealing for Constrained Optimization
量子技术的最新进展导致了实验性可编程量子退火机的开发和制造，这些退火机有望比其经典类似物更快地解决某些具有实际意义的组合优化问题。这种设备对于许多理论和现实世界的优化问题的适用性，这些问题通常受到限制，受到设备量子位的稀疏，刚性布局的严重限制。传统上，通过向问题的哈密尔顿算子添加惩罚项来解决约束，这反过来又需要过度增加物理资源，同时还限制相互作用的动态范围。在这里，我们提出了一种在量子退火机上编码约束优化问题的方法，该方法消除了对惩罚项的需要，从而减少了所需耦合器的数量，并消除了对微小嵌入的需要，大大减少了所需物理量子比特的数量。我们认为所提出的技术的优点，并说明其有效性。最后，我们讨论了实验的可行性，建议的方法，以及它的潜力，大大减少了资源需求的量子退火机上实现优化问题，其意义在量子计算领域。
2016-05-30 quant-ph
Mitigating Precision Errors in Quantum Annealing via Coefficient Reduction of Embedded Hamiltonians
Waseda University（早稻田大学）
本文研究了在考虑minor-embedding约束下，三种系数缩减方法对量子退火器输出质量的影响，发现交互扩展方法有效提升样本质量，而其他方法效果有限。
2026-04-04 quant-ph
3-Regular 3-XORSAT Planted Solutions Benchmark of Classical and Quantum Heuristic Optimizers
随着当前半导体技术达到其物理极限，专用硬件已成为解决特定计算密集型挑战的一种选择。以解决二次无约束二进制优化（QUBO）问题的形式进行的优化，或等效的伊辛自旋眼镜，已经成为几个新的专用硬件平台的焦点。这些平台有许多不同的风格，从已建立算法的数字逻辑上的高效硬件实现到实现新算法的模拟硬件的建议。在这项工作中，我们使用一个映射的特定类别的线性方程组，其解决方案可以有效地找到，一个硬约束满足问题（3-经常3-XORSAT，或伊辛自旋玻璃）与“高尔夫球场”形的能源景观，基准几个这些不同的方法。我们对富士通的数字退火机单元（DAU）、D-Wave Advantage量子退火机、虚拟MemComputing机器、东芝的模拟分叉机（SBM）、Bernaschi等人的SATonGPU算法的性能进行了缩放和前因子分析，以及我们的平行回火我们确定SATonGPU和DAU目前具有此基准测试的最小缩放指数，SATonGPU具有较小的缩放优势，此外由于其使用了大规模并行性，因此具有迄今为止最小的前置因子。我们的工作提供了一个客观的评估和快照的承诺和专用的优化硬件相对于特定类别的优化问题的限制。
2022-02-21 quant-ph
Towards Feature Selection for Ranking and Classification Exploiting Quantum Annealers
Politecnico di Milano（米兰理工大学）；ContentWise；Università degli Studi di Padova（帕多瓦大学）
特征选择是许多排序、分类或预测任务中的常见步骤，并且用于许多目的。通过去除冗余或噪声特征，可以提高排名或分类的准确性，并且可以降低后续学习步骤的计算成本。然而，特征选择本身可能是计算上昂贵的过程。虽然几十年来量子计算仅限于理论算法论文，但现在量子计算正成为解决现实问题的可行工具，特别是基于量子退火范式的专用求解器。本文旨在探索使用当前可用的量子计算架构来解决一些用于排序和分类的二次特征选择算法的可行性。实验分析包括15个最先进的数据集。量子计算硬件获得的有效性与经典求解器相当，这表明量子计算机现在足够可靠，可以解决有趣的问题。在可扩展性方面，当前一代量子计算机能够提供比某些经典算法有限的加速，并且混合量子-经典策略对于超过一千个特征的问题显示出较低的计算成本。
2022-05-09 cs.IR cs.LG quant-ph
Post-Error Correction for Quantum Annealing Processor using Reinforcement Learning
Warsaw University of Technology（华沙理工大学）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所）；Faculty of Physics, Astronomy and Applied Computer Science, Jagiellonian University（雅盖隆大学物理、天文学与应用计算机科学学院）
本文提出利用强化学习对量子退火处理器的纠错方法，通过结合DIRAC架构与 Chimera拓扑结构，提高低能态寻找能力，但其在Chimera图上的性能仍不如模拟退火。
2022-03-15 quant-ph
Efficient partition of integer optimization problems with one-hot encoding
量子退火是用于解决组合优化问题的启发式算法，并且D-Wave Systems Inc.已经开发出了实现这种算法的硬件。当前版本的D-Wave量子退火器可以解决具有有限数量的二进制变量的无约束二进制优化问题，尽管许多实际问题的成本函数是由大量整数变量定义的。为了用量子退火器解决这些问题，整数变量通常用独热编码二进制化，并且二进制化的问题被划分为小的子问题。然而，二进制化问题的整个搜索空间是相当大的扩展相比，原来的整数问题，并占主导地位的不可行的解决方案。因此，为了有效地解决具有独热编码的大型优化问题，需要提取具有尽可能多的可行解的子问题的划分方法。
2019-06-18 quant-ph
Parallel Quantum Annealing
D-Wave Systems，Inc.的量子退火机，提供了一种有效的方法来计算高质量的解决方案的NP难问题。这是通过将问题映射到量子芯片的物理量子位上来完成的，量子退火后从中获得解决方案。然而，由于芯片上的物理量子位的连接性是有限的，因此需要将问题结构较小地嵌入到芯片上。在这个过程中，特别是对于较小的问题，许多量子位将保持未使用状态。我们提出了一种称为并行量子退火的新方法，以更好地利用可用的量子位，其中在量子退火器的相同退火周期中解决相同或几个独立的问题，假设有足够的物理量子位可用于嵌入多个问题。虽然单独的解决方案的质量可能会略有下降时，并行解决几个问题（而不是单独解决每个问题），我们证明，我们的方法可以给戏剧性的速度加快的解决方案的时间（TTS）解决最大团问题的实例相比，解决每个问题顺序的量子退火。此外，我们表明，解决一个单一的最大团问题，使用并行量子退火显着减少TTS。
2022-11-29 cs.ET quant-ph
A Hybrid Quantum-Classical Paradigm to Mitigate Embedding Costs in Quantum Annealing---Abridged Version
量子退火已经显示出作为近期量子计算方法的巨大潜力。尽管在获得量子加速方面取得了有希望的进展，但量子退火器受到需要将问题实例嵌入退火器的连接图（通常高度受限）的限制。这种嵌入执行起来可能代价高昂，并且可能破坏任何计算加速。在这里，我们提出了一个混合量子经典范式，以帮助减轻这种限制，并显示如何被否定的嵌入时间的原始加速，但在某些情况下可以利用。我们说明了这种方法的初始结果的概念验证实现的算法的动态加权最大独立集问题。
2018-07-30 cs.DS quant-ph
Performance enhancing of hybrid quantum-classical Benders approach for MILP optimization
German Aerospace Center (DLR)（德国航空航天中心）；Hamburg University of Technology（汉堡工业大学）
提出一种硬件无关的Benders分解算法，通过量子退火器求解主问题、经典计算机求解子问题，并引入嵌入优化、保守割约束处理和启发式停止准则，在传输网络扩展规划问题上相比经典方法实现性能提升。
2026-07-01 math.OC quant-ph
Skipper: Improving the Reach and Fidelity of Quantum Annealers by Skipping Long Chains
Georgia Institute of Technology（佐治亚理工学院）
Skipper 通过跳过量子退火器中的长主导链并用读出结果替代程序量子比特，显著提升问题处理规模和保真度，其贪心变体 Skipper-G 进一步大幅减少所需量子执行次数。
2023-12-01 cs.AI cs.AR cs.ET
Coherent coupled qubits for quantum annealing
量子退火是一种潜在地利用量子隧穿来增强计算性能的优化技术。现有的量子退火器使用具有短相干时间的超导通量量子比特，主要受到大持续电流$I_\mathrm{p}$的使用的限制。在这里，我们研究一种替代方法，使用具有较小$I_\mathrm{p}$和较长相干时间的量子位。我们证明了可调耦合，量子退火的基本构建块，两个通量量子比特之间的小（$\sim 50~\mathrm{nA}$）持续电流。此外，我们描述了量子比特相干性作为耦合器设置的函数，并研究了耦合器回路中的磁通噪声对量子比特相干性的影响。我们的研究结果提供了深入了解下一代量子退火机的可用设计空间，提高了相干性。
2017-06-06 cond-mat.mes-hall quant-ph
Graph Coloring with Quantum Annealing
我们开发了一个启发式图着色近似算法，使用D-Wave 2X作为一个独立的集合采样器，并评估其性能对一个完全经典的实现。随机生成的一组小而硬的图形实例作为我们的测试集。我们的性能分析表明有限的量子优势的混合量子经典算法。量子边缘在多个度量上保持不变，并表明图形问题应用程序非常适合量子退火器。
2020-12-08 quant-ph
EQUAL: Improving the Fidelity of Quantum Annealers by Injecting Controlled Perturbations
量子计算是一种信息处理范式，它使用量子力学特性来加速计算困难的问题。虽然很有前途，但现有的基于门的量子计算机仅由几十个量子比特组成，对于大多数应用来说还不够大。另一方面，现有的具有几千个量子比特的QA具有解决某些特定领域优化问题的潜力。QA是单指令机器，为了执行程序，问题被转换为嵌入在硬件上的哈密顿算子，并且运行单个量子机器指令（QMI）。不幸的是，即使QMI运行了数千次试验，硬件中的噪声和缺陷也会导致QA的次优解决方案。QA的有限可编程性意味着用户对所有试验执行相同的QMI。这使所有试验在整个执行过程中受到类似的噪声分布，导致系统性偏倚。我们观察到，系统偏差导致次优的解决方案，并不能通过执行更多的试验或使用现有的错误缓解计划来缓解。为了应对这一挑战，我们提出了EQUAL（Enhancement Quantum Annealing）。EQUAL通过向程序QMI添加受控扰动来生成QMI的系综。当在QA上执行时，QMI的集合引导程序在所有试验期间避免遇到相同的偏差，从而提高解决方案的质量。我们使用2041量子位D-Wave QA进行的评估表明，EQUAL将基线和理想之间的差异平均缩小了14%（最高可达26%），而无需任何额外的试验。EQUAL可以与现有的错误缓解方案相结合，进一步弥合基线和理想之间的差异，平均为55%（最高可达68%）。
2021-08-24 cs.AR cs.ET quant-ph
Adaptive Learning for Quantum Linear Regression
Politecnico di Milano（米兰理工大学）；Twentieth Century Fox（二十世纪福克斯公司）；VTT Technical Research Center（VTT技术研究中心）；Starfleet Academy（星际舰队学院）
针对量子退火线性回归中精度向量限制解质量的问题，提出用简单自适应算法为每个回归系数单独调节精度，并在 D-Wave Advantage 上的最大规模数据集中验证了性能提升。
2024-08-05 cs.LG quant-ph
Quantum Annealing Based Binary Compressive Sensing with Matrix Uncertainty
压缩感知是一种新的方法，它以远低于Nyquist-Shannon采样率的速率对稀疏或可压缩信号进行线性采样，并且在获取和重构此类信号方面优于传统的信号处理技术。具有矩阵不确定性的压缩感测是出现在各种应用中的标准压缩感测问题的扩展，所述应用包括但不限于认知无线电感测、天线的校准和去卷积。压缩感知的原始问题是NP难的，因此传统的技术，如凸和非凸松弛和贪心算法，在测量矩阵上施加严格的约束来间接地处理经典计算领域中的这个问题。我们提出了二进制压缩传感和二进制压缩传感与矩阵的不确定性问题，是由量子退火处理的适定性方法。我们的方法制定了一个伊辛模型，其基态代表一个稀疏的解决方案的二进制压缩感知问题，然后采用交替最小化方案来解决矩阵不确定性问题的二进制压缩感知。这种设置只需要所考虑的问题的解决方案的唯一性，有一个成功的恢复过程，因此所需的条件的测量矩阵是显着宽松。作为概念证明，我们可以证明所提出的方法在D-Wave量子退火机上的适用性;然而，我们可以调整我们的方法以采用其他现代计算现象-如绝热量子计算机（一般），CMOS退火机，光学参量振荡器和类脑计算。
2019-01-01 cs.IT math.IT quant-ph
Comment on: "Classical signature of quantum annealing"
在最近的预印本（arXiv：1305.4904）中，题为“量子退火的经典签名”Smolin和Smith指出，（arXiv：1304.4595）中提出的D-Wave设备成功概率的双峰分布本身并没有提供量子退火的足够证据，通过提出一个也表现出双峰性的经典模型。在这里，我们分析了他们的模型，并提出了一个类似的模型来自量子自旋动力学的半经典极限，也表现出双峰分布。我们发现，在这两种情况下，这些经典模型的成功概率和D波设备之间的相关性是弱的模拟量子退火和D波设备之间的相关性相比。事实上，arXiv：1304.4595中提出的量子退火的证据并不限于双峰性，而是还依赖于D波设备和模拟量子退火机之间的成功概率相关性。Smolin-Smith模型和我们的半经典自旋模型都没有通过这种相关性检验。
2013-05-24 quant-ph
Towards Quantum Stochastic Optimization for Energy Systems under Uncertainty: Joint Chance Constraints with Quantum Annealing
本文研究了在不确定性下的能量系统量子随机优化问题，通过混合量子经典方法解决机会约束单元调度问题，并探讨了量子退火器的局限性。
2025-12-03 quant-ph
Strengths and weaknesses of weak-strong cluster problems: A detailed overview of state-of-the-art classical heuristics vs quantum approaches
到目前为止，量子加速的结论性检测仍然难以捉摸。近日，谷歌公司（Google Inc.~ [V.~ S.~ Denchev { \em等人}，物理学~修订版~ X { \bf 6}，031015（2016）]提出了一种弱-强簇模型，该模型被定制为具有分离局部最小值的高而窄的能量势垒，目的是突出有限范围隧穿的价值。更准确地说，量子蒙特卡罗模拟以及D-Wave 2X量子退火机的结果比最先进的模拟退火模拟要好得多。此外，对于近似$10^3$变量的问题，D-Wave 2X量子退火机比传统计算机硬件上的模拟退火快$\sim 10^8$倍。在这里，给出了Google实例上的不同顺序，非定制以及专门定制的算法的概述。我们表明，量子加速是有限的顺序的方法和研究的典型复杂性的基准问题的研究自旋玻璃的见解。
2016-08-30 cond-mat.dis-nn quant-ph
Quantum Boltzmann Machines: Applications in Quantitative Finance
在这篇论文中，我们探索使用D-Wave Advantage 4.1量子退火机从量子玻尔兹曼分布中采样并训练量子玻尔兹曼机（QBM）。我们专注于使用QBM作为生成模型来生成合成外汇市场数据的现实问题，并分析结果如何与基于受限玻尔兹曼机（RBM）的经典模型相叠加。此外，我们研究了一个小的12量子位的问题，我们使用它来比较从优势4.1与理论获得的样本，并在此过程中获得重要的见解优势4.1可以如何采样量子玻尔兹曼随机变量，并用于训练QBM。通过这一点，我们能够证明Advantage 4.1可以在一定程度上对经典玻尔兹曼随机变量进行采样，但在对量子玻尔兹曼分布进行采样的能力方面受到限制。我们的研究结果表明，使用Advantage 4.1训练的QBM比使用模拟训练的QBM噪音大得多，并且很难达到与经典RBM相同的水平。然而，如果未来一代退火机可以生成更接近所需理论分布的样本，则QBM有可能优于经典RBM。
2023-01-30 q-fin.CP quant-ph
Reverse quantum annealing assisted by forward annealing
提出一种将前向退火低质量解作为初始状态的通用方法，通过D-Wave量子退火器求解图着色问题，显著提升了逆向退火的解质量与适用范围，有效扩展了传统前向退火的计算能力。
2024-08-24 quant-ph
Finite-temperature criticality through quantum annealing
Max Planck Institute for the Physics of Complex Systems（马克斯·普朗克复杂系统物理研究所）；RMIT University（皇家墨尔本理工大学）；Dipartimento di Fisica e Astronomia G. Galilei, Universitá degli Studi di Padova（帕多瓦大学伽利略物理与天文学系）；Dipartimento di Ingegneria dell’Informazione, Universitá degli Studi di Padova（帕多瓦大学信息工程系）；Padua Quantum Technologies Research Center, Università degli Studi di Padova（帕多瓦大学帕多瓦量子技术研究中心）；Weizmann institute of science（魏茨曼科学研究所）
本研究通过量子退火器在有限温度下捕捉二维伊辛铁磁体的完整临界行为，展示了通过校准和减小不对称性以提取临界温度和指数的方法。
2025-07-09 cond-mat.stat-mech quant-ph
Optimizing embedding-related quantum annealing parameters for reducing hardware bias
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
量子退火器已经被设计用于为NP难优化问题提出接近最优的解决方案。然而，目前的退火炉，例如D-Wave Systems，Inc.，受到环境噪声和硬件偏差的限制。处理这些缺陷并提高退火结果质量的一种方法是应用各种预处理技术，例如自旋反转（SR）、退火偏移（AO）或链权重（CW）。最大化这些技术的有效性涉及对大量参数执行优化，如果需要对每个新问题实例执行优化，则成本太高。在这项工作中，我们表明，上述参数优化可以为整个类的问题，给定每个实例使用先前选择的固定嵌入。具体来说，在训练阶段，我们将一个完整图的嵌入E固定在退火器的硬件上，然后运行一个优化算法来调整以下参数值：针对SR要翻转的比特集合、针对AO的特定量子比特偏移以及链权重的分布，在从该类别中随机选择的一组训练图上进行优化，其中使用E将图形嵌入到硬件上。在测试阶段，我们估计在训练阶段计算的参数对从该类中随机选择的其他图的效果如何。我们调查的最大团，最大割，和图形划分问题的不同密度的图形实例。我们的研究结果表明，与它们的默认行为相比，通过使用SR，AO和CW的优化参数，可以实现退火结果的大幅改善。
2020-12-01 cs.ET cs.LG quant-ph
Sparse QUBO Formulation for Efficient Embedding via Network-Based Decomposition of Equality and Inequality Constraints
The University of Tokyo（东京大学）
通过基于网络的分解方法，将等式和不等式约束转化为稀疏QUBO模型，从而提高量子退火器中嵌入效率和求解性能。
2026-01-26 quant-ph
