量子科技中心_量科网

量子近似优化算法（QAOA）以及一般变分算法面临的核心挑战在于寻找优质变分参数——这项任务本身可能属于NP难问题。近期研究尝试通过为变分参数选择信息充分的猜测值来实现QAOA的去变分化。线性斜坡QAOA（LR-QAOA）采用受量子绝热算法启发的参数调度方案实现了这一目标。该研究团队更进一步，利用绝热哈密顿量的能隙信息（以QAOA混合哈密顿量作为初始哈密顿量），构建出平滑的斜坡参数方案，称为能隙信息斜坡QAOA（SGIR-QAOA）。SGIR-QAOA方案会在绝热哈密顿量能隙较小时实施缓慢演化。研究证明：在恒定深度条件下，SGIR-QAOA在Grover搜索问题上的表现优于LR-QAOA，且能以更短的演化深度达到相同的最优解概率。该团队进一步证实这些性能优势可延伸至具有实际应用潜力的问题——最大独立集问题（MIS）。最后，通过使用外推能隙信息，该研究论证了SGIR-QAOA方法在无法精确计算能隙的大规模系统中的可扩展性，并表明在适度去极化噪声条件下其优势仍然存在。