量子科技中心_量科网

变分量子算法（包括量子近似优化算法QAOA）在解决优化问题方面展现出潜力，但其依赖成本高昂的变分循环，而这些循环本身可能就是困难的优化问题。为降低这种变分成本，已有多种方法被提出，其中最常见的方法之一是参数迁移与集中——即某个问题实例或问题实例平均的变分参数，可作为另一个实例的良好参数集。现有方法可根据图度数和边权重对这些参数进行重新加权，但如何针对更高局部性问题（其中图结构转化为超图结构）进行重新加权，此前研究甚少。本文从解析角度推导了参数重加权规则，用于在不同局部性超图间迁移参数，进而对哈密顿量中此前未被考虑的混合项进行重加权。该解析推导依赖于三个无环及低电路深度假设，但数值实验表明，即使这些假设不成立，结果仍可应用。数值结果在局部性小于等于五的多样化超图集合上获得了高质量表现，优于此前未对混合项进行重加权的相关方法。