强化学习辅助的递归 QAOA
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
基于 Hamiltonian 的量子强化学习(QRL)是将量子计算与神经组合优化相结合的一种方法,通过对组合优化问题的 Hamiltonian 公式建模,拥有较好的训练性能,适用于广泛的问题类别,并与 QAOA 进行了比较。
May, 2024
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
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
本文提出了一种基于量子启发式算法 + 强化学习的方法,在解决 Ising 能量最小化问题方面,该方法通过调整其中一个参数以改进最近看到的解,并使用一种新的 Rescaled Rank Reward (R3) 方法来提高稳定的自我博弈训练效果。训练后可在任何问题实例中采样高质量的解,并优于基线启发式和黑盒超参数优化方法。
Feb, 2020
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
通过定义一个优化问题的类,并在这个类中识别出 QA 和 SA 存在指数级小的概率找到解的实例,我们得出了 Quantum Approximate Optimization Algorithm, Simulated Annealing 和 Quantum Annealing 之间的第一条分界线,并突显了基于干扰的搜索启发式(例如 QAOA)和像 SA 和 QA 这样基于热和量子波动的启发式之间的根本差异。
Jan, 2019