量子近似优化的角度学习

arXiv:2610.23296v1 发布类型：交叉 摘要：量子近似优化算法（QAOA）及其变体是帮助解决具有挑战性的组合优化问题的领先算法。QAOA 将这些问题映射为 Ising 哈密顿量，使其基态成为所需的解。随后，从变分量子电路中抽取候选解。QAOA 的性能取决于一组变分角度。然而，寻找良好角度是一个针对具体实例且计算开销很大的非凸经典优化任务。在本文中，我们学习从问题实例到高质量 QAOA 角度的映射。我们训练的模型用一次前向传播取代了逐实例优化（我们称之为 solver），其速度比 solver 快几个数量级，同时质量几乎完全相同。我们的模型还可以推广到未见过的拓扑结构，例如 Barab\'asi-Albert 图和二维网格图。在量子硬件上的实验确认，使用我们的开源模型生成的角度进行 QAOA 采样，与使用 solver 角度进行采样无法区分。至关重要的是，对问题实例拓扑结构敏感的模型能够提高 QAOA 角度的质量。我们的工作通过预先进行数据生成和训练，将 QAOA 中的一个主要瓶颈摊销掉。更重要的是，在许多相似问题需要定期优化的场景中（工业应用中通常如此），这项成本可以随着时间推移得到摊销。