量子科技中心_量科网

量子近似优化算法(QAOA)是当前近期量子设备上组合优化的主流方法，但其可扩展性受限于多层结构(p层)中2p个变分参数的优化难度。最新实证研究表明，最优QAOA角度在不同问题规模间具有集中性和可迁移性。基于这一发现，该研究团队提出了一个调度学习框架——将小规模问题中基于频谱间隙的绝热控制策略迁移至更大系统。该方法提取小规模问题的频谱间隙分布特征，构建出由∂ts=κgq(s)控制的连续调度函数(其中g(s)为瞬时间隙，(κ,q)为全局超参数)。通过离散化该调度函数，可获得所有QAOA角度的闭合表达式，将经典优化任务从2p个参数压缩至仅2个参数，且与电路深度无关。这种极致的参数压缩有效缓解了经典优化开销，并降低了对贫瘠高原现象的敏感性。在随机QUBO和3-正则MaxCut实例上的数值模拟表明，习得的调度策略能有效迁移至更大系统，同时保持具有竞争力的近似比。该工作表明，基于频谱间隙的调度迁移为QAOA提供了一种可扩展且参数高效的优化策略。