通过噪声引导的自适应热启动实现量子近似优化

使用已知启发式方法实现组合优化的量子优势的进展受到硬件噪声和有限量子比特数量的阻碍。在此，我们提出了一种噪声感知的自适应量子近似优化方法，即噪声引导的自适应热启动（ND-AWS），它建立在最近的概念如热启动QAOA和噪声引导的自适应重映射之上。通过利用比特翻转规范变换，我们的算法利用类似振幅阻尼的噪声分量。我们在100量子比特伊辛哈密顿量上实验实现了高性能量子优化ansätze，表明ND-AWS通常优于非规范变换的迭代热启动变体，且不增加额外电路成本。这使得我们的结果成为该规模下类似ansätze的量子优化最高质量演示之一。至关重要的是，该框架的简单性为未来的增强打开了大门，如自适应偏置调度和与经典求解器的集成。