量子科技中心_量科网

量子近似优化算法（QAOA）是目前在近期限模量子（NISQ）设备上实现组合优化量子优势的主要候选方案。然而，变分参数的随机初始化通常会导致梯度消失，使得标准变分优化失效。本文对比分析了两种提升算法可训练性的策略：基于李代数经典模拟寻找近最优初始化的李代数预训练框架，以及仅需3个超参数限定子空间的非变分QWOA（NV-QWOA）方法。该研究团队在16个节点的200个Erdős-Rényi图和200个3-正则图上，采用p=256的电路深度对无权重Maxcut问题进行了基准测试。两种方法均显著优于标准随机初始化QWOA——NV-QWOA仅需60次迭代即达到98.9%的平均近似比，而李代数预训练QWOA经过500次迭代提升至77.71%。尽管NV-QWOA凭借更小的参数空间实现快速优化不足为奇，但如此少的可调参数能持续找到近优解仍具突破性。这些发现表明，NV-QWOA的结构化参数化比低维辅助问题的预训练更具鲁棒性。未来需进一步验证算法在大规模问题上的扩展性及其他问题类别的泛化能力。