量子科技中心_量科网

量子近似优化算法（QAOA）是一种用于解决组合优化问题的量子-经典混合算法。多角度QAOA（MA-QAOA）通过为每个哈密顿算子项分配独立参数，即使层数少于标准QAOA也能获得更优的近似性能。然而这种增强的表达能力会因参数数量增加而提高经典计算成本。近期提出的分层MA-QAOA（LMA-QAOA）通过逐层训练降低开销，但可能因前期参数固定而难以获得精确解。该研究针对高效MA-QAOA训练解决了两个核心问题：（i）每轮参数更新的最佳粒度是什么？（ii）如何在每轮仅部分更新参数的情况下获得精确的最终成本函数结果？尽管减少每轮更新参数能降低经典计算开销，但哈密顿更新粒度过细或过粗都会损害训练效率。研究发现每轮优化完整单层是最有效粒度。此外，通过追踪梯度变化选择性重训各层，既能实现与标准MA-QAOA相当的最终成本函数，又能降低参数更新开销。基于这些发现，该团队提出轨道QAOA（Orbit-QAOA），通过循环访问各层并选择性冻结稳定参数。在多种图基准测试中，相较于采用统一停止条件的增强型LMA-QAOA，Orbit-QAOA将训练步骤减少达81.8%，近似比误差降低达72倍，同时保持与标准MA-QAOA相当的近似性能。