量子科技中心_量科网

量子计算与机器学习是当前学术界与工业界重点研究的尖端技术。二者的融合技术有望成为解决组合优化等科学与工程领域复杂问题的强大工具，并加速下一代技术的创新。该工作通过改进因子分解机退火算法（FMA），提出一种解决黑箱优化问题的新算法——子采样因子分解机退火（SFMA）。该算法采用从全数据集中采样子集的方式来训练因子分解机模型，而非使用完整数据集。这种概率化训练过程增强了FMA在解空间探索中的性能，使SFMA展现出被研究人员称为“开发-探索均衡特性”的优越性能。 数值基准测试表明，SFMA在速度与精度上均优于传统FMA，并确保持续展现出开发-探索均衡特性。值得注意的是，当采用尺寸差异显著的两组子采样数据集进行序列化训练时（后者规模远小于前者），SFMA性能可进一步提升。这种大幅降维不仅增强了算法的探索能力，还能显著降低大规模问题求解的计算成本。这些成果证实了SFMA在特定大类黑箱优化问题中的有效性——该算法具有以较低计算成本解决超大规模问题的潜在扩展能力。