QAOA 从好的经典字符串出发会陷入停滞
The QAOA gets stuck starting from a good classical string
AI总结：
本文通过数值实验和理论分析证明，从经典算法得到的优质字符串出发初始化 QAOA 的热启动方法几乎无法改善成本函数，并指出该负面结果仅适用于其简单实现，旨在为未来算法设计提供启示。
摘要：
量子近似优化算法（QAOA）旨在最大化比特字符串上的成本函数。传统上初始态是所有字符串上的均匀叠加态，但尝试加速 QAOA 是很自然的想法：首先使用经典算法产生某个好的字符串，然后从与该字符串相关联的计算基态出发运行标准 QAOA。本文报告了数值实验，表明这种初始化 QAOA 的方法会严重失败，成本函数几乎没有改善。我们为这种缺乏改善提供了多个分析论证，每个论证都可以在不同的机制或假设下被严格化，包括在近线性深度下。我们强调，我们的负面结果仅适用于我们对热启动 QAOA 的简单实现，可能不适用于文献中的其他方法。我们希望我们的理论分析能为未来的算法设计提供参考。
英文摘要：
The Quantum Approximate Optimization Algorithm (QAOA) is designed to maximize a cost function over bit strings. While the initial state is traditionally a uniform superposition over all strings, it is natural to try expediting the QAOA: first use a classical algorithm to produce some good string, and then run the standard QAOA starting in the computational basis state associated with that string. Here we report numerical experiments that show this method of initializing the QAOA fails dramatically, exhibiting little to no improvement of the cost function. We provide multiple analytical arguments for this lack of improvement, each of which can be made rigorous under different regimes or assumptions, including at nearly linear depths. We emphasize that our negative results only apply to our simple incarnation of the warm-start QAOA and may not apply to other approaches in the literature. We hope that our theoretical analysis will inform future algorithm design.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
