量子科技中心_量科网

该团队研究了量子近似优化算法（QAOA）在组合优化问题跨类别中的参数可迁移性，从参数生成角度展开分析。具体而言，该方法训练一个元优化器在某一问题类别上学习，并在测试阶段部署至其他问题类别。先前工作采用长短期记忆网络模拟QAOA优化轨迹，但习得的动态通常会坍缩为近乎相同的路径，限制了跨问题迁移效率。本文提出一种面向QAOA的问题感知图条件元优化器，该模型学习在固定优化步长内生成参数轨迹，仅需少量步骤即可提供优质初始化。该优化器通过紧凑的图嵌入向量进行条件控制，并利用QAOA目标函数的可微分反馈进行端到端训练，无需真实角度数据支撑。该团队在最大割、最大独立集、最大团和最小顶点覆盖等图问题类别上展开评估，在存在约束条件时同时报告解的质量和可行性指标。涵盖64种实验设置的全面研究表明，相比标准初始化方法，习得的优化器能降低优化代价并提升性能，同时展现出跨图族和问题类型的可迁移特性。