在分布式 QPU上演化多群体演化 QAOA
量子物理
2025-07-11 v3 神经与进化计算
摘要
我们的工作将演化算法与量子近似优化算法（QAOA）相结合，以替代传统的基于梯度的方法来优化拟设参数。我们在 4 到 26 个节点的 -3 正则图的 Max-Cut 问题上对该演化 QAOA（E-QAOA）方法进行了基准测试，结果表明，与基于 COBYLA 的 QAOA 相比，其精度相同或更高，且方差减小，尤其是在使用条件风险价值（CVaR）进行适应度评估时。此外，我们提出了一种新颖的分布式多群体 EA 策略，在两个量子处理单元（QPU）上执行并行、独立的群体，并通过经典通信交换“精英”解。在量子模拟器和 IBM 硬件上的实验验证了该方法。我们还讨论了该方法的潜在扩展，并概述了在混合量子-经典基础设施上进行可扩展、分布式量子优化的有前景的未来方向。
引用
@article{arxiv.2409.10739,
title = {Evolving a multi-population evolutionary-QAOA on distributed QPUs},
author = {Francesca Schiavello and Edoardo Altamura and Ivano Tavernelli and Stefano Mensa and Benjamin Symons},
journal= {arXiv preprint arXiv:2409.10739},
year = {2025}
}
备注
9 pages, 5 figures. Accepted for publication at the IEEE International Conference on Quantum Computing and Engineering (QCE25), quantum algorithms technical paper track