二元优化的高斯波束抽样

二元优化是计算科学中的一个基本领域，应用范围广泛，从物流到密码学，任务常被形式化为二次或多项式无约束二元优化问题 (QUBO/PUBO)。本文提出使用参数化的高斯波束抽样器 (Gaussian Boson Sampler, GBS) 配合阈值探测器来解决此类问题。我们将一般的 PUBO 实例映射到量子哈姆顿量，并优化其能量相对于 GBS ansatz 的条件价值风险 (Conditional Value-at-Risk)。特别地，我们观察到，当算法简化为标准变分量子本征求解器 (Variational Quantum Eigensolver) 时，代价函数为解析函数。因此，可仅使用经典计算资源高效计算其梯度。在 3-SAT 和图分区问题的数值实验中，我们观察到相较于随机猜测显著取得性能提升，为我们提出的方法提供了首个概念验证。