Улучшение квантовой приближённой оптимизации с помощью адаптивного перемаппинга, управляемого шумом
Improving Quantum Approximate Optimization by Noise-Directed Adaptive Remapping
2025-11-06
SCID: 54.1/n9uzku5d
Discuss with AI
адаптивное переназначение, направляемое шумомквантовый алгоритм приближённой оптимизациикоэффициенты приближениякалибровочное преобразованиезашумлённые квантовые процессоры
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Шумная квантовая оптимизация задач бинарной оптимизации с использованием QAOA на квантовом процессоре с глобальным состоянием-аттрактором
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest