MG-Net：学习具备电路深度感知的QAOA定制化
量子物理
2024-09-30 v1 人工智能
机器学习
摘要
量子近似优化算法（QAOA）及其变体在应对组合优化挑战方面展现出巨大潜力。然而，它们的实际实现面临一个困境：获得令人满意性能所需的电路深度因问题而异，且往往超出当前量子设备的最大能力。为了解决这一困境，我们首先分析了 QAOA 的收敛行为，揭示了该困境的根源，并阐明了所采用的混合哈密顿量、具体问题与允许的最大电路深度之间的复杂关系。基于这些理解，我们引入了混合生成网络，这是一个统一的深度学习框架，擅长动态构建针对不同任务和电路深度量身定制的最优混合哈密顿量。系统仿真涵盖了多达 64 个量子比特的 Ising 模型和加权 Max-Cut 实例，证实了我们的理论发现，突显了 MG-Net 在近似比和效率方面的卓越性能。
引用
@article{arxiv.2409.18692,
title = {MG-Net: Learn to Customize QAOA with Circuit Depth Awareness},
author = {Yang Qian and Xinbiao Wang and Yuxuan Du and Yong Luo and Dacheng Tao},
journal= {arXiv preprint arXiv:2409.18692},
year = {2024}
}
备注
29 pages, 16 figures