量子科技中心_量科网

在量子近似优化算法（QAOA）的低深度实现中，主要成本通常来自目标函数评估次数而非电路深度。该研究提出了一种基于图条件信任区域的方法来降低这一查询成本。通过图神经网络预测QAOA角度的高斯分布N(μ,Σ)，其均值用于初始化局部优化器，协方差矩阵定义约束搜索的椭圆信任区域，预测不确定性则决定实例相关评估预算。因此，学习到的分布不仅提供初始参数估计，更定义了完整的搜索策略。 在明确假设局部平滑性、曲率、校准和噪声条件下，研究人员推导出信任区域内目标函数退化边界、梯度方差下界、去极化噪声下预期目标排序保持性以及有限样本覆盖保证。该方法在8-16个顶点的Erdos-Renyi图、3-正则图、Barabasi-Albert图和Watts-Strogatz图上进行p=2深度的MaxCut问题评估。相较于随机重启和最强的学习点预测基线方法，该方法将平均电路评估次数从343次和85次降至45±7次，同时保持采样近似比与基于浓度的启发式方法相差不超过3个百分点。 该方法虽未提升绝对近似比，其优势在于保持解质量的同时降低查询成本。实验显示预测不确定性校准良好（ECE=0.052，Spearman相关系数ρ=0.770），且学习到的信任区域可迁移至训练未见的图规模。结果表明在低深度、查询主导的场景中，图条件信任区域能在不修改ansatz结构的前提下有效降低QAOA的查询成本。