量化量子方法求解困难工业优化问题：以电动汽车智能充电领域为例
量子物理
2021-06-18 v2
摘要
为量化量子算法求解工业 NP-Hard 问题的能力，有必要将其与可用的多项式时间近似经典算法比较，而非仅与本质是指数时间的精确算法比较。这是一大挑战，因为在许多情况下，根据复杂性理论中一些高度可信的猜想，存在可达近似比的上界。因此，一个有趣的资格认定方案是聚焦于这些问题中已知“较易”于最坏情形、且可超越上述上界的特定实例：量子算法至少应在这些实例上表现与常规近似算法相当，直至非常大的规模。我们针对源自快速发展的电动汽车智能充电领域的两个工业问题，给出了此类方案的一个案例研究。我们为两个问题量身实现了量子近似优化算法（QAOA），并使用经典资源通过 Pasqal 基于 Rydberg 原子的量子器件仿真或 Atos Quantum Learning Machine 进行了数值测试。在两种情形下，量子算法展现出与常规近似算法相同的近似比，或有所改进。这些都是非常令人鼓舞的结果，尽管仍限于经典计算资源所允许的较小实例规模。下一步将在更大实例、实际器件以及所处理问题的更复杂版本上确认这些结果。
引用
@article{arxiv.2012.14859,
title = {Qualifying quantum approaches for hard industrial optimization problems. A case study in the field of smart-charging of electric vehicles},
author = {Constantin Dalyac and Loïc Henriet and Emmanuel Jeandel and Wolfgang Lechner and Simon Perdrix and Marc Porcheron and Margarita Veshchezerova},
journal= {arXiv preprint arXiv:2012.14859},
year = {2021}
}