量子科技中心_量科网

近期提出的QAOA-GPT框架证明，生成式预训练模型能够学习问题图与量子近似优化算法（QAOA）优化量子电路间的映射关系。该研究将QAOA-GPT拓展至高阶无约束二元优化（HUBO）问题，重点关注包含三次相互作用项的自旋玻璃哈密顿量。通过使用FEATHER图嵌入编码拓扑信息，该团队基于ADAPT-QAOA生成的图-电路配对数据进行模型训练，并在嵌于重六边形格点的8量子位与16量子位实例上评估其性能。该生成模型仅需单次前向传播即可产生自适应QAOA类电路及对应变分参数，绕过了传统迭代优化循环流程。所生成电路的平均近似比超过0.95，与经典优化ADAPT-QAOA结果高度吻合，同时在不同电路深度下保持一致的参数分布特性。这些结果表明QAOA-GPT能有效泛化至高阶代价哈密顿量与复杂能量景观，为后NISQ时代自主变分电路设计与量子算法发现建立了可扩展的生成建模路径。