量子近似优化算法中的跨问题参数迁移：一种机器学习方法
量子物理
2025-07-18 v3 机器学习
摘要
量子近似优化算法（QAOA）是在求解组合优化问题中实现量子优势的最有希望的候选者之一。由于贫瘠高原等多种因素，在 QAOA 电路中寻找一组好的变分参数的过程已被证明极具挑战性。因此，利用参数可迁移性的兴趣日益增长，即将针对某一问题实例优化的参数集迁移到另一个可能更复杂的问题实例中，以估计解或作为进一步优化的热启动。但是否能将参数从一类问题迁移到另一类问题？利用从研究充分的问题类中学习到的参数集，有助于探索较少研究的问题类，减少优化开销并缓解性能陷阱。在本文中，我们研究 MaxCut 预训练的 QAOA 参数是否可以直接使用或作为最大独立集（MIS）电路的热启动。具体而言，我们设计机器学习模型以寻找在 MaxCut 上优化的良好供体候选，并将其参数应用于 MIS 受体。实验结果表明，这种参数迁移能够显著减少所需的优化迭代次数，同时实现可比的近似比。
引用
@article{arxiv.2504.10733,
title = {Cross-Problem Parameter Transfer in Quantum Approximate Optimization Algorithm: A Machine Learning Approach},
author = {Kien X. Nguyen and Bao Bach and Ilya Safro},
journal= {arXiv preprint arXiv:2504.10733},
year = {2025}
}