量子科技中心_量科网

量子近似优化算法（QAOA）在组合优化领域具有应用前景，但受限于可用量子比特数量。尽管诸如QAOA$^{2}$等分治框架通过将图划分为子图来解决可扩展性问题，现有方法仍存在两个根本性局限：一是启发式划分指标与量子优化目标之间的错位，二是拓扑盲参数初始化导致的优化冷启动问题。为弥补这些不足，该研究提出Neural QAOA$^{2}$——一个端到端可微分的框架，能够联合生成图划分与初始参数。通过集成生成评估网络（GEN），该方法利用可微分的量子评估器作为高保真度性能代理提供直接梯度引导，使联合生成器能够学习从图拓扑到高质量划分与参数配置的内在映射关系。在涵盖21至1000个变量的183个QUBO、Ising和MaxCut实例上的大量实验表明，该梯度驱动方法全面优于启发式基线方法，在101个实例中排名第一，并展现出跨分布外图拓扑与规模的零样本泛化能力。