Улучшение квантовой приближённой оптимизации с помощью адаптивного перемаппинга, управляемого шумом

Improving Quantum Approximate Optimization by Noise-Directed Adaptive Remapping
Jacob Biamonte, Stuart Hadfield, Davide Venturelli, Filip B. Maciejewski
2025-11-06

адаптивное переназначение, направляемое шумомквантовый алгоритм приближённой оптимизациикоэффициенты приближениякалибровочное преобразованиезашумлённые квантовые процессоры
Мы представляем управляемый шумом адаптивный перемаппинг (Noise-Directed Adaptive Remapping, NDAR) — эвристический алгоритм приближённого решения задач бинарной оптимизации, использующий определённые типы шума. Мы рассматриваем доступ к зашумлённому квантовому процессору, динамика которого характеризуется наличием глобального аттрактора. В стандартных условиях такой шум может ухудшать эффективность квантовой оптимизации. Наш алгоритм использует состояние аттрактора шума посредством итеративного калибровочного преобразования гамильтониана целевой функции таким образом, чтобы преобразовать аттрактор в решения более высокого качества. На основе результатов предыдущего шага это преобразование фактически превращает аттрактор в более качественное решение гамильтониана. В результате шум способствует вариационной оптимизации, а не препятствует ей. Мы представляем улучшенный алгоритм квантовой приближённой оптимизации (Quantum Approximate Optimization Algorithm, QAOA) и сообщаем о результатах его экспериментального запуска на квантовом устройстве Rigetti. Для случайных полностью связных графов на n = 82 кубитах с использованием QAOA глубины p = 1 и NDAR получены коэффициенты приближения 0,9–0,96. Для стандартного QAOA с p = 1 при том же количестве вызовов целевой функции эти значения составляют 0,34–0,51.
1
NDAR итеративно выполняет калибровочные преобразования гамильтониана целевой функции, превращая шумовой аттрактор во всё более качественные решения.
2
Noise-Directed Adaptive Remapping (NDAR) — это эвристический метод бинарной оптимизации, использующий шум с глобальным аттрактором.
3
На квантовом устройстве Rigetti алгоритм QAOA глубины один с NDAR достиг отношений аппроксимации 0,9–0,96 для случайных полносвязных графов на 82 кубитах.
4
Метод меняет обычную роль шума, позволяя ему помогать вариационной оптимизации, а не ухудшать её результаты.
5
При том же числе вызовов целевой функции стандартный QAOA глубины один достиг значительно меньших отношений аппроксимации — 0,34–0,51.

Шумная квантовая оптимизация задач бинарной оптимизации с использованием QAOA на квантовом процессоре с глобальным состоянием-аттрактором

Направленное шумом адаптивное перемаппирование, преобразующее шумовой аттрактор в последовательно более качественные решения гамильтониана и повышающее коэффициенты аппроксимации QAOA

Publication Details
Publication Date
2025-11-06
Journal
Publisher
ISSN
Cited by
10
Access Type
Author Information
Authors
Jacob Biamonte
Stuart Hadfield
Davide Venturelli
Filip B. Maciejewski
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%