量子科技中心_量科网

近期基于模拟退火（SA）算法的量子启发方法在解决组合优化问题方面展现出强大潜力。然而，门电路量子计算中的格罗弗算法[1]仅能提供二次加速，对于大规模问题仍不具实用性。该研究团队提出了一种融合SA与格罗弗算法的混合方法，以实现次指数级加速，从而提升其工业适用性。在酶发酵案例中，温度、搅拌、等待时间、pH值、色氨酸、米粉等变量被编码为625个二元参数，界定了酶制剂配方的可能空间。该工作旨在通过历史实验与人工智能技术生成的625位QUBO模型，找到使活性成分最大化的二进制配置。最小化QUBO成本即等同于最大化活性成分。该案例研究表明，该混合方法通过门电路量子计算实现了次指数级加速。