Hybrid Classical-Quantum Simulation of MaxCut using QAOA-in-QAOA
本文基于Classiq平台在HPE-Cray EX超级计算机上实现了QAOA^2方法,以解决大规模MaxCut问题,并通过多达33个量子比特的模拟验证了其效率与工作流适用性,发现子图的最佳选择未显著改善结果且仍被GW算法超越。
2024-08-26 quant-ph
Local classical MAX-CUT algorithm outperforms $p=2$ QAOA on high-girth regular graphs
$p$阶段量子近似优化算法(QAOA $_p$)是一种很有前途的噪声中尺度量子(NISQ)器件组合优化方法,但除了$p=1$之外,其理论行为还没有得到很好的理解。我们分析QAOA $_2$的最大切割问题(MAX-CUT),推导出一个图形大小无关的表达式,预期切割分数的任何$D$ -正规图周长$> 5$(即没有三角形,正方形,或五边形)。我们证明了对于所有度的$D \ge 2$和每个周长为$> 5$的$D$ -正则图$G$,QAOA $_2$在$G$上有比QAOA $_1$更大的期望割分数.然而,我们还表明,存在一个$2$ -本地随机经典算法$A$,使$A$有一个更大的预期削减分数比QAOA $_2$对所有$G$。这支持了我们的猜想,即对于每个常数$p$,存在一个局部经典MAX-CUT算法,该算法在所有图上的性能与QAOA $_p$一样好。
2021-04-15 quant-ph
On the Effects of Small Graph Perturbations in the MaxCut Problem by QAOA
Department of Information Engineering, Electronics;Telecommunications (DIET), University of Rome ``La Sapienza'', Via Eudossiana 18, 00184 Rome, Italy.
本文利用对称性研究QAOA在图扰动下求解MaxCut问题的性能,通过谱分析与自同构群研究揭示对称性对算法效率的影响,为降低量子电路复杂度提供启发。
2024-08-30 quant-ph
Comparison between the Iterative Local Search and Exhaustive Search methods applied to QAOA in Max-Cut and Ising Spin Model problems
对穷举搜索(ES)和迭代局部搜索(ILS)进行了比较。使用量子近似优化算法(QAOA)进行这种比较。QAOA由于其在实际量子硬件中实现的潜力以及其在优化问题和量子机器学习中的前景而受到广泛研究。ES和ILS方法进行了模拟,以确定这些技术的优点和缺点QAOA在本地(经典计算机)和真实的模拟(IBM量子计算机)。这些经典的方法在QAOA中被用来近似Max-Cut和Ising Spin Model(ISM)问题的最优期望值,这两种风格都有三种模拟配置,称为:线性,循环和完全(或完全)。
2022-05-06 quant-ph
Recursive QAOA outperforms the original QAOA for the MAX-CUT problem on complete graphs
本文解析证明了递归QAOA在完全图MAX-CUT问题上的近似比优于原始QAOA,克服了原始算法在常数层级下的局限性。
2023-02-21 quant-ph
Per-Shot Evaluation of QAOA on Max-Cut: A Black-Box Implementation Comparison with Goemans-Williamson
Institute of Computer Science, University of Tartu(塔尔图大学计算机科学研究所);Department of Mathematics and Cybernetics, SINTEF AS(SINTEF AS 数学与网络系)
本文通过黑盒方法评估QAOA在最大割问题上的性能,对比经典算法Goemans-Williamson,探讨实际应用中的局限性。
2026-04-24 quant-ph
Performance of Parity QAOA for the Signed Max-Cut Problem
本文研究Parity架构下QAOA求解有符号Max-Cut问题的性能,证明其在固定电路深度下优于基于SWAP网络的传统QAOA,并利用Clifford电路估计大规模问题的性能下界。
2025-07-22 quant-ph
The Dynamical Lie Algebra of QAOA-MaxCut on the Complete Graph
Tencent Quantum Laboratory(腾讯量子实验室)
本文解析了完全图上QAOA-MaxCut问题的动态李代数,证明损失函数方差随量子比特数线性增长,从而确认该系统不存在贫瘠高原。
2026-07-02 quant-ph
Lower bounding the MaxCut of high girth 3-regular graphs using the QAOA
Google Quantum AI(谷歌量子人工智能);Center for Theoretical Physics, Massachusetts Institute of Technology(麻省理工学院理论物理中心);Walter Burke Institute for Theoretical Physics, California Institute of Technology(加州理工学院沃尔特·伯克理论物理研究所)
本文通过QAOA算法为高环长3正则图的MaxCut问题提供了新的下界,并展示了其在寻找最大割方面的高效性。
2026-01-26 cs.DM math.CO quant-ph
Adapting Quantum Approximation Optimization Algorithm (QAOA) for Unit Commitment
在目前的噪声中尺度量子(NISQ),混合算法,利用经典的资源,以减少量子成本是特别有吸引力的。我们制定和应用这样的混合量子经典算法的电力系统优化问题称为机组组合,其目的是满足目标电力负荷以最小的成本。我们的算法扩展了量子近似优化算法(QAOA)与经典的极小,以支持混合二进制优化。使用Qiskit,我们模拟样本系统的结果,以验证我们的方法的有效性。我们还比较了纯粹的经典方法。我们的研究结果表明,经典的求解器是有效的,我们的模拟机组组合实例少于400发电机组。然而,对于较大的问题实例,经典的求解器要么在运行时呈指数级扩展,要么必须采用粗略的近似。潜在的量子优势将需要在这个规模的问题实例,有几百个单位。
2021-10-25 quant-ph
Performance of the Quantum Approximate Optimization Algorithm on the Maximum Cut Problem
量子近似优化算法(QAOA)是一种很有前途的方法,用于编程一个短期的基于门的混合量子计算机,以找到很好的近似解的困难的组合问题。然而,目前很少有人知道QAOA的能力,或所需的参数优化的难度。在这里,我们研究了QAOA在MaxCut组合优化问题上的性能,使用自动微分和随机梯度下降在经典计算机上优化量子线路,使用QuantumFlow,一个用TensorFlow实现的量子线路模拟器。我们发现,我们可以摊销的训练成本,通过优化批量的问题实例,QAOA可以超过经典的多项式时间的Goemans-Williamson算法的性能与适度的电路深度,并与固定的电路深度的性能是不敏感的问题的大小。此外,MaxCut QAOA可以使用量子位交换网络在具有有限量子位连接的基于门的量子计算机上有效地实现。这些观察结果支持QAOA将成为解决近期量子计算机上有趣问题的有效方法的前景。
2018-11-20 quant-ph
Two-Qubit Implementation of QAOA for MAX-CUT on an NV-Center Quantum Processor
Technische Universität Dresden(德累斯顿工业大学);University of Bologna(博洛尼亚大学)
本文在NV中心量子处理器上实现了MAX-CUT的QAOA算法,通过双量子比特寄存器和优化参数扫描验证了QAOA的核心要素。
2026-04-01 physics.comp-ph quant-ph
Towards Optimizations of Quantum Circuit Simulation for Solving Max-Cut Problems with QAOA
针对 QAOA 在经典模拟大规模量子电路时速度慢的问题,本文提出数学压缩、按位运算和多核并行相结合的 QCS 加速方法,并以 Max-Cut 验证有效性。
2023-12-05 cs.DC quant-ph
QAOA with fewer qubits: a coupling framework to solve larger-scale Max-Cut problem
针对QAOA求解大规模Max-Cut问题时的量子比特瓶颈,提出一种量子-经典耦合框架,仅需18个量子比特即在24顶点图上实现0.9950的平均近似比,优于现有方法。
2023-07-28 quant-ph
Augmenting QAOA Ansatz with Multiparameter Problem-Independent Layer
量子近似优化算法(QAOA)有望解决组合优化领域中的经典计算难题。然而,越来越多的证据表明,最初提出的QAOA协议形式并不是最佳的。为了解决这个问题,我们提出了一个替代的anananterior,我们称之为QAOA+,增强了传统的$p = 1$ QAOA anterior与一个额外的多参数问题无关的层。的QAOA+ Anchor允许获得更高的近似比比$p = 1$ QAOA,同时保持电路深度低于$p = 2$ QAOA,作为基准上的最大切割问题的随机规则图。我们还表明,提出的QAOA+ ansatz虽然使用了比标准QAOA更多的可训练经典参数,但在大多数情况下优于替代的多角度QAOA ansätze。
2022-05-02 quant-ph
Investigating the effect of circuit cutting in QAOA for the MaxCut problem on NISQ devices
本文在超导 NISQ 设备上通过两组 MaxCut 的 QAOA 实验评估量子电路切割,证明其可减轻噪声并提升解的质量。
2023-10-05 quant-ph
Multi-angle Quantum Approximate Optimization Algorithm
量子近似优化算法(QAOA)使用由量子演化的参数化层定义的变分模拟电路来生成组合优化问题的近似解。理论上,近似值会随着深度的增加而提高,但实际上,门噪声和电路复杂性会降低性能。在这里,我们介绍了一个多角度的分析QAOA,减少电路深度,提高了近似比,通过增加经典参数的数量。即使参数的数量增加,我们的研究结果表明,好的参数可以在多项式时间内找到。这种新的分析方法使无限族MaxCut实例的近似比比QAOA提高了33%。最佳性能是下界由传统的anastrophy,我们提出的经验结果的图上的八个顶点,一层的多角度anstaz是相媲美的三层的传统anastrophy的MaxCut问题。类似地,多角度QAOA在50和100个顶点图上的MaxCut实例的集合上在相同深度处产生比QAOA更高的近似比。许多优化的参数被发现为零,所以它们的相关门可以从电路中删除,进一步减少电路的深度。这些结果表明,多角度QAOA需要比QAOA更浅的电路来解决问题,使其更适合于近期的中等规模量子器件。
2021-09-23 quant-ph
Counterdiabaticity and the quantum approximate optimization algorithm
量子近似优化算法(QAOA)是一种近期的混合算法,旨在解决组合优化问题,如MaxCut。可以使QAOA模拟绝热时间表,并且在$p\to\infty$极限下,根据绝热定理,最终状态是精确的最大本征态。在这项工作中,QAOA和绝热性之间的连接是明确的检查制度的$p$大,但有限的。通过连接QAOA的counterdiabatic(CD)的演变,我们构建的CD-QAOA角模拟counterdiabatic时间表匹配特罗特“错误”条款近似绝热规范位抑制非绝热激发所产生的有限斜坡速度。在我们的解释中,这些“错误”术语对QAOA是有帮助的,而不是有害的。利用这种匹配将QAOA与量子绝热算法(QAA)联系起来,我们证明了近似比至少以$1-C(p)\sim 1/p^μ$收敛于1。我们发现,转移的参数之间的图形,和插值角度为$p+1$给定$p$都是自然的副产品的CD-QAOA匹配。CD-QAOA角度的优化等效于优化连续绝热时间表。最后,我们表明,使用变分绝热规范位的属性,QAOA至少是反绝热的,而不仅仅是绝热的,并且具有比有限时间绝热演化更好的性能。我们演示了三个例子:2级系统,伊辛链,和MaxCut问题的方法。
2022-01-22 quant-ph
ParaQAOA: Efficient Parallel Divide-and-Conquer QAOA for Large-Scale Max-Cut Problems Beyond 10,000 Vertices
National Taiwan University(国立台湾大学);National Cheng Kung University(国立成功大学)
ParaQAOA通过并行分治方法高效解决大规模最大切割问题,显著提升运行效率并保持解质量,实验显示在400顶点问题上达到1,600倍加速,适用于严格时间约束下的大规模问题。
2026-03-27 cs.DC cs.PF cs.SE
Large-scale Quantum Approximate Optimization via Divide-and-Conquer
量子近似优化算法(QAOA)是一种很有前途的求解组合优化问题的量子-经典混合算法。然而,它不能克服量子位限制的大规模问题。此外,QAOA的执行时间与问题大小呈指数级关系。我们提出了一个分治QAOA(DC-QAOA),以解决图最大割(MaxCut)问题的上述挑战。该算法的工作原理是递归划分一个较大的图成较小的最大切割的解决方案,获得与小型NISQ计算机。通过应用量子态重构的组合策略,从子解中得到整体解。提出/比较了多种分割和重建方法。DC-QAOA达到了97.14%的近似比(比经典的提高了20.32%),94.79%的期望值(比量子退火提高了15.80%)。DC-QAOA还将传统QAOA的时间复杂度从指数降低到二次。
2021-02-26 cs.ET quant-ph
Warm-Started QAOA with Custom Mixers Provably Converges and Computationally Beats Goemans-Williamson's Max-Cut at Low Circuit Depths
提出 QAOA-warmest,用半定规划随机投影热启动与自定义混合器初始化 QAOA,证明其绝热收敛,并在低深度模拟及真实硬件上优于标准 QAOA 和 Goemans-Williamson。
2023-09-19 math.OC quant-ph
Mixer Hamiltonian with QAOA for Max k-coloring : numerical evaluations
本文关注基于混合器哈密顿算子的量子力学,该哈密顿算子允许将研究限制在特定的子空间上。基于混合器哈密顿量的方法可以包括在QAOA算法中,并且我们可以声明混合器哈密顿量是从量子位串集合到解集合的映射函数。Mixer Hamiltonian提供了一种非常类似于几十年来在路由或调度社区中常用的间接表示的方法。在Cheng等人于1996年首次发表之后(Cheng等人,1996年),OR中的许多命题都依赖于1到n的映射函数,包括将一个TSP解决方案转换为VRP解决方案的分裂算法。我们的目标是首先给出一个紧凑的和可读的介绍这些混合器哈密顿考虑功能的类比,存在于或社区的做法和量子场之间。我们的实验包括使用IBM的Qiskit库满足理论考虑的电路的数值评估。
2022-07-23 quant-ph
Threshold-Based Quantum Optimization
我们提出并研究了Th-QAOA(发音为阈值QAOA),量子交替算子Ancillary(QAOA)的一种变体,它取代了标准的相位分离算子,该算子编码目标函数,具有阈值函数,该阈值函数返回一个值$1$,用于目标值高于阈值的解决方案,否则返回一个$0$。我们改变阈值以达到量子优化算法。我们专注于结合格罗弗混合器运营商,由此产生的GM-Th-QAOA可以被视为格罗弗的量子搜索算法和其最小/最大发现表弟近似优化的推广。我们的主要发现包括:(i)我们提供了直观的论据,并经验地表明,GM-Th-QAOA的最佳参数值(角度和阈值)可以用经典外循环的$O(\log(p) \times \log M)$迭代来找到,其中$p$是QAOA轮数,$M$是解值的上限(通常是输入图中的顶点或边的数量),从而消除了其他QAOA算法中臭名昭著的外环参数查找问题;(ii)GM-Th-QAOA可以通过一组减少内存需求的技巧以最少的努力经典地模拟高达100个量子位;(iii)有点令人惊讶的是,GM-Th-QAOA在实现的近似比方面优于非阈值GM-QAOA。这第三个结果适用于一系列优化问题(MaxCut,Max k-VertexCover,Max k-DensestSubgraph,MaxBisection)和各种实验设计参数,如不同的输入边密度和约束大小。
2021-08-23 cs.DS quant-ph
Proactively incremental-learning QAOA
针对量子近似优化算法(QAOA)的优化问题求解性能提升需求,提出基于增量学习的主动式QAOA,通过分阶段扩子图并复用前序参数,在加权随机图上近似比较标准QAOA高13.17%,同时训练时间更优。
2023-11-04 quant-ph
Graph-Conditioned Meta-Optimizer for QAOA Parameter Generation on Multiple Problem Classes
University of Delaware(特拉华大学)
本文提出一种基于图的元优化器,用于在多个优化问题类中生成QAOA参数,通过端到端训练和图嵌入实现高效参数生成和跨问题迁移。
2026-04-28 quant-ph
Quantum Adversarial Learning in Emulation of Monte-Carlo Methods for Max-cut Approximation: QAOA is not optimal
近期量子优势的主要候选者之一是变分量子算法类,但这些算法在优化变分参数时遇到经典困难,因为参数的数量增加。因此,重要的是要了解各种ansätze的表达能力和力量,以产生目标状态和分布。为此,我们将仿真的概念应用到变分量子退火和量子近似优化算法(QAOA),以表明QAOA优于变分退火时间表具有相同数量的参数。我们的变分量子退火计划基于一种新型的多项式参数化,可以使用相同的物理成分,以与QAOA类似的无梯度方式进行优化。为了比较ansätze类型的性能,我们开发了Monte-Carlo方法的统计概念。蒙特卡罗方法是一种计算机程序,它生成的随机变量近似于计算上难以精确计算的目标数。虽然最着名的蒙特卡罗方法是蒙特卡罗积分(例如扩散蒙特卡罗或路径积分量子蒙特卡罗),QAOA本身是一种蒙特卡罗方法,可以找到NP完全问题的良好解决方案,例如Max-cut。我们应用这些统计蒙特卡罗概念,以进一步阐明这些量子算法的理论框架。
2022-11-24 cs.CC quant-ph
Efficient Large-Scale Quantum Optimization via Counterdiabatic Ansatz
本文在CNOT门总数相等的条件下比较了DC-QAOA(NC)与QAOA在MaxCut等问题上的表现,发现DC-QAOA(NC)在问题规模足够大(如量子比特数超16)时具有更低的电路复杂度、更好的噪声鲁棒性和指数级性能优势,并提出了一种节省资源的实例顺序训练方法。
2025-05-30 quant-ph
Bridging Classical and Quantum with SDP initialized warm-starts for QAOA
针对含噪声量子设备仅能运行低深度QAOA的局限,提出用Max-Cut问题的低秩SDP松弛解做经典预处理的热启动QAOA-Warm,低深度下性能更优、训练更快,并提供实验与理论支撑。
2022-06-06 math.OC quant-ph
Quantum Approximate Optimization Algorithm for Maximum Likelihood Detection in Massive MIMO
National Mobile Communications Research Laboratory, Southeast University(东南大学 移动通信国家重点实验室);State Key Laboratory of Millimeter Waves, Southeast University(东南大学 毫米波国家重点实验室);Purple Mountain Laboratories(紫金山实验室);Frontiers Science Center for Mobile Information Communication and Security, Southeast University(东南大学 移动通信与信息安全前沿科学中心);College of Artificial Intelligence, Nanjing Tech University(南京工业大学 人工智能学院)
本文提出基于QAOA的二进制符号最大似然检测求解器,推导了1级QAOA期望值的通用紧凑解析式,并采用贝叶斯优化初始化参数,以更少量子资源获得更高精确解概率。
2025-10-15 quant-ph
Quantum Approximate Optimization Algorithms for Maximum Cut on Low-Girth Graphs
本文研究QAOA及多角度QAOA在低围长扩展图(加性乘积图)上求解最大割问题,推导期望割分数迭代公式,并通过数值实验证明其性能优于最著名经典算法。
2025-02-08 cs.DS math.OC quant-ph
QAOA Parameter Transferability for Maximum Independent Set using Graph Attention Networks
Fujitsu Research of America(富士通美国研究机构)
针对QAOA求解最大独立集问题时的参数优化难题,提出基于图注意力网络的参数迁移方案,并设计混合分布式资源感知算法HyDRA-MIS,在数千顶点图上取得与经典求解器KaMIS相当的结果。
2025-04-29 cs.LG quant-ph
Empirical performance bounds for quantum approximate optimization
量子近似优化算法(QAOA)是一种变分方法,用于噪声,中等规模量子计算机解决组合优化问题。量化特定问题实例的性能界限可以深入了解QAOA何时可以解决实际应用程序。在这里,我们通过数值模拟QAOA的纯态动力学来解决具有9个或更少顶点的非同构未加权图上的MaxCut的每个实例。测试多达三层的QAOA深度,我们发现,近似比的分布随着深度的增加而缩小,而恢复最大切割的概率一般扩大。我们发现QAOA超过了大多数图的Goemans-Williamson近似比界。我们还确定了一致的模式内的优化变分电路参数,提供高效的算法求解MaxCut与QAOA的合奏。由此产生的数据集作为一个基准,建立经验界限QAOA性能,可用于测试正在进行的实验实现。
2021-02-12 physics.comp-ph quant-ph
Depth Optimized Ansatz Circuit in QAOA for Max-Cut
虽然量子近似优化算法(QAOA)旨在为寻找组合优化问题的近似解提供量子优势,但系统中的噪声是开发其全部潜力的障碍。为了减少噪声对算法的影响,研究了几种误差抑制技术。最近,Majumdar等人提出了一种基于深度优先搜索(DFS)的方法来减少QAOA的反求设计中的$n-1$ CNOT门,以在图G =(V,E),|V| = n中找到最大割。然而,这种方法往往会增加电路的深度,使其更容易产生松弛误差。电路的深度与DFS树的高度成比例,在最坏的情况下,DFS树的高度可以是$n-1$。在本文中,我们提出了一个$O(Δ\cdot n^2)$贪婪的启发式算法,其中$Δ$是最大程度的图形,找到一个生成树的高度较低,从而减少了电路的整体深度,同时仍然保持$n-1$减少的CNOT门的数量需要在anterior。我们数值计算表明,该算法实现了近10倍的成功概率增加QAOA的最大切割的每次迭代。我们进一步表明,虽然这种启发式算法产生的电路的平均深度仍然与n线性增长,我们的算法减少了线性增加的斜率从1到0.11。
2021-10-09 cs.DS quant-ph
Solving General QUBOs with Warm-Start QAOA via a Reduction to Max-Cut
California Institute of Technology(加州理工学院);Northwestern University(西北大学);CC3: Information Sciences, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室信息科学第三中心)
本文研究如何将基于最大割SDP松弛的QAOA热启动方法通过标准归约推广到一般QUBO问题,并与直接QUBO松弛方法进行实验比较,发现最佳热启动策略取决于具体问题类型。
2025-09-22 cs.DM math.OC quant-ph
A native measurement-based QAOA algorithm, applied to the MAX K-CUT problem
提出一种原生的基于测量的 MBQC-QAOA 算法,将其应用于适用于所有 K 值的 MAX K-CUT 问题,相比传统门模型转换方法资源成本最高降低 30 倍。
2023-04-07 quant-ph
Regularized Warm-Started Quantum Approximate Optimization and Conditions for Surpassing Classical Solvers on the Max-Cut Problem
Global Technology Applied Research, JPMorganChase(摩根大通全球技术应用研究)
本文提出正则化预热启动QAOA方法,通过常数深度量子电路和经典预热步骤,在最大割问题上超越经典求解器。
2026-03-10 quant-ph
QAOAKit: A Toolkit for Reproducible Study, Application, and Verification of the QAOA
了解量子近似优化算法(QAOA)的最佳已知参数,性能和系统行为仍然是开放的研究问题,即使该算法越来越受欢迎。我们介绍QAOAKit,一个为探索性研究而构建的QAOA Python工具包。QAOAKit是一个统一的预优化QAOA参数和电路发生器库,用于常见的量子模拟框架。我们结合,标准化和交叉验证以前已知的参数的MaxCut问题,并将其纳入QAOAKit。我们还建立了转换工具,使用这些参数作为输入的几个量子模拟框架,可用于复制,比较,并从文献中的各种来源扩展已知的结果。我们描述了QAOAKit,并提供了如何使用它来重现研究结果和解决量子优化中的开放问题的示例。
2021-11-03 cs.ET quant-ph
Analytical Framework for Quantum Alternating Operator Ansätze
我们开发了一个框架,用于分析分层量子算法,如量子交替算子ansätze。我们的框架涉及量子成本梯度算子,来自成本和混合哈密顿量,经典的成本差函数,反映成本函数邻域结构。通过考虑QAOA电路从海森堡图片,我们推导出精确的一般表达式的期望值作为一系列的算法参数,成本梯度算子,成本差函数的扩展。这使得新的可解释性和洞察QAOA行为在各种参数制度。对于单级QAOA1,我们显示了领先的顺序变化的输出概率和成本期望值明确的经典成本差异,对于任意的成本函数。这表明,对于足够小的正参数,概率平均从较低的成本状态流向较高的成本状态。通过选择参数的符号,我们可以控制流动的方向。我们使用这些结果来推导一个经典的随机算法,在小参数范围内模拟QAOA1,即,其产生具有与QAOA1相同的概率的比特串样本,直到小的误差。对于更深的QAOAp电路,我们应用我们的框架,在几种设置中得到类似的和额外的结果。特别是,我们表明QAOA总是击败随机猜测。我们描述了我们的框架如何将成本哈密顿局部性特定的问题类,包括因果锥的方法,并适用于QAOA性能分析与任意参数。我们照亮我们的结果与一些例子,包括应用程序的QUBO问题,MaxCut,和变种的MaxSat。我们通过两个约束优化的例子,最大独立集和图形着色说明了应用QAOA电路使用混合酉超越横向场混频器。
2022-12-08 quant-ph
High-Round QAOA for MAX $k$-SAT on Trapped Ion NISQ Devices
本文针对MAX $k$-SAT问题提出优化的QAOA电路构造,并在多台囚禁离子NISQ设备上执行高轮数电路,发现当前设备在低轮数时表现最佳,轮数增加后因噪声导致解质量下降至接近随机水平。
2023-08-10 cs.DM cs.ET quant-ph
Missing Puzzle Pieces in the Performance Landscape of the Quantum Approximate Optimization Algorithm
IQM Quantum Computers(IQM量子计算机公司)
该研究利用树子图上的反向因果锥分析无限大随机正则图中 QAOA 对最大割和最大独立集问题的性能,给出更优近似比界,并将树图参数迁移到小图以超越经典基线。
2025-10-21 quant-ph
Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection
量子技术的最新进展为有噪声的中间尺度量子(NISQ)器件铺平了道路,其中量子近似优化算法(QAOA)构成了基于NISQ器件展示有形量子优势的有希望的候选者。在本文中,我们考虑的最大似然(ML)检测问题的二进制符号传输的多输入多输出(MIMO)信道,其中找到最佳的解决方案是指数困难的使用经典的计算机。在这里,我们将QAOA用于ML检测,通过将感兴趣的问题编码到具有2p个变分参数的p级QAOA电路中,该电路可以通过经典优化器进行优化。这种p级QAOA电路是通过将准备好的哈密顿量应用于我们的问题和初始哈密顿量交替地应用于p个连续轮来构造的。更明确地说,我们首先将ML检测问题的最优解编码到问题哈密顿量的基态中。使用量子绝热演化技术,我们提供了分析和数值结果表征用于ML检测的量子系统的本征值的演变。然后,对于一级QAOA电路,我们推导了QAOA期望值的解析表达式,并讨论了基于QAOA的ML检测器的复杂度。解释,我们评估的计算复杂性的经典优化器和模拟QAOA的存储要求。最后,我们评估的比特出错率(BER)的QAOA基于ML检测器,并将其与经典的ML检测器和经典的MMSE检测器进行比较,表明基于QAOA的ML检测器是能够接近经典的ML检测器的性能。这为NISQ计算机解决大量的经典优化问题铺平了道路。
2021-07-11 cs.IT math.IT quant-ph
Quantum Approximate Optimization Algorithm for MaxCut: A Fermionic View
Farhi等人最近提出了一类量子算法,量子近似优化算法(QAOA),用于近似求解组合优化问题。一个p级QAOA电路由p个步骤组成;在每一步中,一个经典的哈密顿量,从成本函数推导出来,然后应用混合哈密顿量。应用这两个哈密顿算子的2 p次是算法的参数,其将被经典地优化以获得最佳性能。随着p的增加,由于维数灾难,参数优化变得低效。QAOA方法的成功将部分取决于找到有效的参数设定战略。在这里,我们分析和数值研究参数设置QAOA适用于MaxCut。对于1级QAOA,我们推导出一个一般图的解析表达式。原则上,可以推导出更高p的表达式,但项数很快就变得令人望而却步。对于MaxCut的一个特殊情况,不同意环,或一维反铁磁环,我们提供了一个分析任意高的水平。使用费米表示,QAOA下系统的演化转化为独立自旋系综的量子控制。这种处理使我们能够获得任何p的QAOA性能的解析表达式。它也大大简化了参数的最佳值的数值搜索。通过探索对称性,我们确定了一个低维的感兴趣的子流形,搜索工作可以相应地减少。该分析还解释了在最佳参数值中观察到的对称性。此外,我们数值研究的参数景观,并表明,它是一个简单的意义上没有局部最优。
2020-12-28 quant-ph
Systematic study on the dependence of the warm-start quantum approximate optimization algorithm on approximate solutions
本文系统研究 WS-QAOA 性能与经典近似解精度之间的关系,通过 MAX-CUT 数值实验表明更接近精确解的初始解可提升浅电路效果。
2022-09-07 quant-ph
Parameter Setting in Quantum Approximate Optimization of Weighted Problems
本文针对加权问题中QAOA参数优化困难,推导加权MaxCut的p=1最优参数并建立无权参数重缩放与高概率集中保证,提出通用重缩放启发式,显著降低优化迭代成本。
2024-01-11 quant-ph
Optimizing Ansatz Design in QAOA for Max-cut
量子近似优化算法(QAOA)主要用于求解组合优化问题的近似解。对于具有$n$顶点和$m$边的图,最大割问题的深度$p$ QAOA需要$2\cdot m \cdot p$ CNOT门。CNOT是现代量子计算机的主要误差来源之一。在本文中,我们提出了两种独立于硬件的方法来减少电路中的CNOT门的数量。首先,我们提出了一种基于输入图的边着色的方法,该方法最小化了电路的周期数(称为电路深度),并减少了多达$\lfloor \frac{n}{2} \rfloor$的CNOT门。接下来,我们描述了另一种基于输入图上的深度优先搜索(DFS)的方法,该方法减少了$n-1$ CNOT门,但适度地增加了电路的深度。我们分析得出的条件CNOT门的减少掩盖了这种增加的深度,电路的错误概率仍然降低。我们证明了所有IBM量子硬件都满足这个条件。我们用\textit{ibmq\_manhattan}噪声模型对这两种方法进行了仿真,结果表明基于DFS的方法在减少CNOT门的数量方面优于基于边缘着色的方法,从而在减少电路的错误概率方面优于传统的QAOA电路.
2021-06-28 cs.DS quant-ph
An Analysis of the Quantum Approximation Optimisation Algorithm
本文简要介绍了量子近似优化算法(QAOA)。QAOA的数学结构,以及它的基本属性,进行了说明。QAOA的MaxCut问题,二次无约束二进制优化问题(QUBO),和伊辛型哈密尔顿的实施被详细考虑。
2021-03-23 quant-ph
Standalone FPGA-Based QAOA Emulator for Weighted-MaxCut on Embedded Devices
本研究提出一种独立FPGA的QAOA仿真器,用于嵌入式设备上的加权MaxCut问题,通过硬件重构将时间复杂度从O(N^2)降至O(N),支持多达9个量子比特,能耗较软件实现节省最高852倍。
2025-03-27 cs.ET quant-ph
Entropic property of randomized QAOA circuits
分析了具有随机角度的QAOA线路,证明其在连通图无权Max-Cut问题上的能量分布熵和获得全局最优解的概率均高于均匀随机采样。
2023-11-28 quant-ph
Parameter Transfer for Quantum Approximate Optimization of Weighted MaxCut
针对加权MaxCut问题中QAOA参数优化难、目标景观劣质局部最优多的问题,提出重缩放方案实现参数迁移,以极低开销获得接近穷举优化的近似比效果。
2023-02-10 quant-ph
Solution of SAT Problems with the Adaptive-Bias Quantum Approximate Optimization Algorithm
提出无需经典优化的 ab-QAOA,通过局域场引导并限制纠缠生成,显著降低求解困难区域 3-SAT 与 Max-3-SAT 所需的 QAOA 层级和量子门数。
2023-04-25 quant-ph
Classical and Quantum Bounded Depth Approximation Algorithms
我们考虑一些经典的和量子的近似优化算法与有界深度。首先,我们定义了一类“局部”经典优化算法,并表明这些算法的单步版本可以实现相同的性能作为单步QAOA MAX-3-LIN-2。其次,我们证明了这类经典算法推广了文献中先前考虑的一类,并且经典算法的单步将优于所有无三角形MAX-CUT实例上的单步QAOA。事实上,除了$4$的度选择,现有的单步经典算法在这些图上已经优于QAOA,而对于其余的$4$选择,我们表明这里的推广优于它。它在有界度图上的MAX-3-LIN-2上的性能不能实现与一类“全局”经典算法所能实现的相同的缩放。这些结果表明,这种局部经典算法可能至少是有前途的近似优化的QAOA。
2019-08-01 quant-ph
Efficient encoding of the weighted MAX k-CUT on a quantum computer using QAOA
本文针对加权MAX k-CUT问题提出一种基于二进制编码的QAOA高效表述,仅需|V|log_2(k)个量子比特,并通过算子分解、数值模拟和资源分析验证其在NISQ设备上展示量子优势的潜力。
2020-11-09 quant-ph
Convergence of Digitized-Counterdiabatic QAOA: circuit depth versus free parameters
本文重审了Digitized-Counterdiabatic QAOA在一维MaxCut问题上的表现,发现高阶CD修正能加速收敛至精确解,但所需自由参数总数与QAOA变体无关。
2024-01-08 quant-ph
A Unified Complexity-Algorithm Account of Constant-Round QAOA Expectation Computation
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(处理器技术国家重点实验室,计算技术研究所,中国科学院)
本文研究了固定轮次QAOA在最大割问题中的复杂度与算法分析,提出动态规划算法实现精确计算,并扩展至一般二元无约束组合优化,通过实验评估了不同结构图的性能。
2025-11-25 quant-ph