神经网络与张量网络在量子退火处理器研究中的应用
量子物理
2026-05-01 v2
摘要
量子退火旨在求解Ising/QUBO问题的低能态，但可靠评估需要超过最佳能量比较。本论文发展了一种针对D-Wave量子退火器的基准测试框架，结合强经典基线、抽样与多样性指标以及热力学成本。其第一项贡献是SpinGlassPEPS.jl，这是一种面向Pegasus/Zephyr类图的拓扑感知张量网络启发式方法，用于优化与抽样。它将Ising实例映射到局部Potts聚类，利用PEPS表示配分函数，并在概率空间中执行分支限界搜索。基准测试表明，它是一种可解释的参考求解器，尽管近似收缩限制了其在最大问题规模上的竞争力。第二项贡献将量子退火器视为有效热力学机器，关联成功概率与解质量与散热、熵产生及有效温度。仔细安置的暂停可改善性能，同时降低热力学成本，但纵向场在暂停方案中可能产生不利影响。该论文还引入了强化学习后处理以提高返回样本，以及精确小规模仿真以探讨退火动力学。总体而言，本文主张采用联合度量算法性能与物理支出的量子退火基准测试。
引用
@article{arxiv.2604.26534,
title = {Neural and Tensor Networks in the Study of Quantum Annealing Processors},
author = {Tomasz Śmierzchalski},
journal= {arXiv preprint arXiv:2604.26534},
year = {2026}
}