QAOA的蒙特卡洛树搜索方法：在草地中寻找针尖
量子物理
2025-04-15 v4 无序系统与神经网络
统计力学
摘要
寻找量子算法以解决经典组合优化问题的努力长期以来是量子计算中最引人入胜且富有挑战性的研究主题之一。在此背景下，变分量子算法（VQA）是一类面向应对近期量子硬件局限能力的混合量子-经典方法。然而，其有效性受制于经典参数优化的复杂性，容易陷入局部极小值或成本函数景观中的平坦区域。因此，高效优化方法的设计对充分发挥VQA的潜力至关重要。本文我们将QAOA参数优化视为一个顺序决策问题，并通过对蒙特卡洛树搜索（MCTS）——一种常用人工智能技术用于高效探索复杂决策图的方法进行适应。我们表明，利用参数模式深入影响决策树结构，允许一种灵活且抗噪声的优化策略，适用于近期量子设备。我们的结果进一步阐明了人工智能与量子信息之间的相互作用，为变分量子电路的工具箱提供了宝贵的补充。
引用
@article{arxiv.2408.12648,
title = {A Monte Carlo Tree Search approach to QAOA: finding a needle in the haystack},
author = {Andoni Agirre and Evert Van Nieuwenburg and Matteo M. Wauters},
journal= {arXiv preprint arXiv:2408.12648},
year = {2025}
}
备注
12+9 pages, 6+6 figures