本文深入研究了混合量子 - 经典变分算法中外循环经典优化的有效途径，并在 MaxCut 问题上通过发现优化参数中的模式，提出了启发式策略以在 $O (poly (p) $) 的时间内，找到近似最优的 p 级 QAOA $o$ 参数。与量子退火比较发现 QAOA 可以通过优化学习利用非绝热机制来克服与湮灭光谱间隙相关的挑战。在资源分析中，揭示了仅当问题规模大于数字模拟但可在近期设备中访问时，优化才是重要的，并提出用 2D 中性原子系统实现大型 MaxCut 问题的可行方法，从而挑战最佳经典算法所达到的范畴。

Dec, 2018

我们的研究通过使用图神经网络（GNN）作为热启动技术来优化 QAOA 初始化，为了减少量子计算资源的开销，牺牲了大量的经济计算资源，从而提高了 QAOA 的效果；实验结果表明 GNN 有助于提高 QAOA 的性能，为量子计算中的混合量子 - 经典方法开辟了新的途径，也为实际应用做出了贡献。

Mar, 2024

本文研究了通过分治启发式方法来解决计算机中的复杂组合优化问题，提出了一种名为 QAOA-in-QAOA（$ ext {QAOA}^2$）的解决方案，可以在较小量子机器的情况下解决异常大的 MaxCut 问题，并证明保证了其最优性。实验结果表明，该方法相对于目前已知的最好的经典算法有竞争力甚至更好的性能。

May, 2022

该文研究了基于门模型的量子计算机上的量子近似优化算法（QAOA）及其可能表现出的量子霸权，发现即使低深度 QAOA 的输出也无法在任何经典设备上进行高效模拟，并提出了量子绝热算法（QADI）仍存在一个 oracle 使采样成为可能的限制。这表明 QAOA 不仅可能在优化方面有用，而且在实现量子霸权方面也具有潜力。

Feb, 2016

本文提出了两种基于机器学习的方法，采用强化学习 (RL) 框架和核密度估计 (KDE) 技术，分别用于优化 QAOA 电路，从小规模问题实例中学习，然后在较大的问题实例中使用，结果表明与其他现成的优化器相比，这两种方法可以将优化度缺口减少多达 30.15 个因子。

Nov, 2019

本文演示了 Google Sycamore 超导量子位计算机在组合优化问题上的应用及 QAOA 算法，克服了硬件连接性图不同于实际问题图的挑战，并提出了在未来的开发中应注重更多这样的问题。

Apr, 2020

介绍了一种量子算法，通过使用正整数 p 来提高近似解的质量，将其应用于组合优化问题的求解上，并分析了在正则图上，固定的 p 值下算法的性能表现。

Nov, 2014

本研究使用多次启动优化方法优化量子近似优化算法在图形聚类问题中的性能，并证明重用类似问题的最优参数可以扩展用于 MAXCUT 的相似结果。

May, 2019

本文介绍了量子近似优化算法（QAOA），并证明了对于固定参数和来自合理分布的实例，目标函数值会在多数情况下几乎相等，这适用于大型 3 - 正则图上的 MaxCut 实例，并且结果可泛化到其他问题和深度量子电路，并且发现使用相同的参数可以在不同的位数下获得良好的性能表现，这为减少或消除外循环优化提供了可能性。

Dec, 2018

研究了 QAOA 在 MaxCut 问题上的优化问题，指出随机初始化容易陷入低级局部最小点，通过 Trotterized quantum annealing 协议实现参数初始化，并找到最佳的 Trotter 时间步长，这为在近期量子设备上实现 QAOA 提供了实用的初始化方法，同时揭示了 QAOA 和量子退火之间的新联系。

Jan, 2021