本文研究了量子退火算法在组合优化和相关抽样任务中相对于经典最新方法实现量子加速的前景，并且基于对既有文献中引入的多种启发式量子优化算法的改进相干时间以及控制能力的持续探索和兴趣，提出了包括连续时间哈密顿计算算法、反向退火和连续时间量子行走在内的 QA 有前途的变体，同时就机器学习的参数化量子电路的模拟提出了类比算法，这些算法大多没有（或被认为不可能有）已知的高效古典模拟，其中大多数算法的 “中等规模” 实验可能存在量子加速的可行可能性。建议通过在使能交换耦合通量量子比特时实现的时间依赖有效横向场伊辛哈密顿量生成的新型量子动力学的全面研究来实现更先进的控制协议以及 DQA 的最有前途的路径。

Aug, 2020

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

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

近年来，变分量子算法（VQAs）作为在 NISQ 时代解决量子计算机上的优化问题的一种有前途的方法已经出现。然而，VQAs 的一个限制是它们对于特定问题或硬件配置可能不适合的固定结构电路。应对这个问题的一种主要策略是自适应 VQAs，通过添加和移除门来动态修改电路结构，并在训练过程中优化其参数。本文通过分析三种自适应 VQAs（进化变分量子特征求解器（EVQE），可变组态（VAns）和随机自适应 VQE（RA-VQE））来填补这一领域现有方法之间缺乏系统比较的空白。为了将这些算法与传统的 VQA 进行比较，我们还在分析中包括了量子近似优化算法（QAOA）。我们将这些算法应用于 QUBO 问题，并通过检查找到的解的质量和所需的计算时间来研究它们的性能。此外，我们还调查了超参数选择如何影响算法的整体性能，强调了选择适当的超参数调整方法的重要性。我们的分析为面向近期量子设备设计的自适应 VQAs 设定了基准，并为指导未来的研究提供了宝贵的见解。

Aug, 2023

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

通过对哈密顿变分试探算法的研究，发现它在结构上表现良好，具有较弱或完全不存在的荒漠高原特征和较小的状态空间，因此容易优化。同时也观察到了随着电路层数的增加而出现的从困难局面到优化的转变，以及在 XXZ 模型和横场伊辛模型中实现超参数化的阈值大约按多项式尺度而非指数尺度增长。最后，演示了 HVA 的能力和有效性，将其用于求解具有长程相互作用和幂律纠缠缩放的 Haldane-Shastry 哈密顿量的基态近似。

Aug, 2020

本文介绍了基于变分方法的新型混合量子 - 经典算法类别，重点是探究了优化方法和精度水平对变分算法的性能影响，最后提出了用拟牛顿优化方法执行量子逼近优化算法的结果。

Jan, 2017

本文讨论了量子算法中的优化问题，并提出了一种基于量子 - 经典混合的优化方案，其中包括变分绝热量子算法和单粒子门晶格，通过拟合和消除误差和采用现代没有导数的优化技术来节省计算成本。

Sep, 2015

使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。

Feb, 2024

介绍了一些本地优化方法的现状，其中量子退火作为一种元启发式工具，通过量子隧穿来代替热激活，被认为是解决多变量优化问题的有前途的算法。

Apr, 2014