量子科技中心_量科网

随着变量数量增加，优化问题会面临本质性挑战。由于搜索空间体积呈指数级增长，经典算法往往难以定位非凸函数的全局最小值。虽然量子优化提供了潜在替代方案，但将连续问题映射至近期量子硬件会引发严重的扩展限制和贫瘠高原现象。为弥合这一差距，该研究提出了分布式量子增强优化（D-QEO）框架。该方案不再强制量子处理器寻找精确最小值，而是将其作为地形预处理器使用——量子处理单元通过映射势能面来定位最具吸引力的势阱区域，为经典GPU加速求解器生成高质量种子点以供优化。为使该方法适用于实用规模问题，研究团队利用了可分离函数的数学结构，将50量子比特（即2^50）全局搜索空间分解为可由5量子比特子电路处理的独立子空间。通过CUDA-Q并行执行这些子电路，完全规避了可分离函数中跨寄存器纠缠和经典张量缝合的开销。在10维Rastrigin和Ackley函数上的基准测试表明，D-QEO能有效防止纯经典算法中观察到的指数级失败率。此外，这种量子热启动显著减少了经典BFGS算法收敛所需的迭代次数，为在复杂全局搜索中利用近期量子资源提供了极具实用性的技术蓝图。