稀疏Ising模型上QAOA参数迁移极限：几何局部立方项
量子物理
2026-05-15 v2 无序系统与神经网络
摘要
量子近似优化算法（QAOA）用于近似组合优化的实际应用潜力是关注的焦点。QAOA的主要局限之一是寻找一组优良参数的任务。参数迁移是QAOA角度在自相似问题实例上训练后，表现良好于来自该相似类别的其他问题实例的现象。这表明一种可能高度有效且可扩展的非变分学习方法可用于QAOA角度寻找。我们系统研究了QAOA参数从小规模问题（16、27量子比特）迁移到大规模问题实例（最高达156量子比特）的可迁移性，用于带几何局部高阶项的重量六边形图Ising模型。我们使用基于Julia的QAOA仿真工具JuliQAOA进行至多49层QAOA的经典角度寻找。通过组合完整态矢量、投影 entangled 对状态、矩阵积态和LOWESA数值仿真来验证固定角度的参数迁移。我们发现，QAOA参数从单个实例迁移到未知问题实例一般不提供随p单调提高的性能——存在许多情况下性能随p暂时下降的情形——但尽管如此，迁移的角度在QAOA深度增加时普遍呈现出改进的预期值趋势，在许多情况下接近100多个量子比特实例的真实基态能量。我们还在几个具有127、133和156量子比特的超导量子比特IBM Quantum处理器上对硬件兼容Ising模型进行采样，使用固定的QAOA角度 ensemble。我们发现，针对IBM NISQ处理器上运行的硬件兼容QAOA电路，解决方案质量持续改善，分别在ibm_fez上达到p=5，ibm_torino上达到p=9，ibm_pittsburgh上达到p=10。
关键词
引用
@article{arxiv.2509.13528,
title = {Evaluating the Limits of QAOA Parameter Transfer at High-Rounds on Sparse Ising Models With Geometrically Local Cubic Terms},
author = {Elijah Pelofske and Marek Rams and Andreas Bärtschi and Piotr Czarnik and Paolo Braccia and Lukasz Cincio and Stephan Eidenbenz},
journal= {arXiv preprint arXiv:2509.13528},
year = {2026}
}