用于Max-cut近似蒙特卡洛方法仿真的量子对抗学习：QAOA并非最优
量子物理
2022-11-28 v1 计算复杂性
摘要
近期量子优势的主要候选者之一是变分量子算法类，但这些算法随着参数数量增加而在变分参数优化上面临经典困难。因此，理解各类ansatz产生目标态与分布的表达能力与威力十分重要。为此，我们将仿真概念应用于变分量子退火和量子近似优化算法(QAOA)，表明在参数数量相等时，QAOA被变分退火调度超越。我们的变分量子退火调度基于一种新颖的多项式参数化，可使用与QAOA相同的物理要素以类似的无梯度方式优化。为比较各类ansatz的性能，我们发展了蒙特卡洛方法的统计概念。蒙特卡洛方法是生成随机变量的计算机程序，用以近似计算上难以精确计算的目标数。尽管最著名的蒙特卡洛方法是蒙特卡洛积分（例如扩散蒙特卡洛或路径积分量子蒙特卡洛），QAOA本身也是一种蒙特卡洛方法，可为Max-cut等NP完全问题寻找良好解。我们应用这些统计蒙特卡洛概念进一步阐明围绕这些量子算法的理论框架。
引用
@article{arxiv.2211.13767,
title = {Quantum Adversarial Learning in Emulation of Monte-Carlo Methods for Max-cut Approximation: QAOA is not optimal},
author = {Cem M. Unsal and Lucas T. Brady},
journal= {arXiv preprint arXiv:2211.13767},
year = {2022}
}