量子科技中心_量科网

现有量子算法大多通过将约束作为QUBO公式中的软惩罚项来处理带约束优化问题。这种方法需要仔细调整惩罚系数，其效果随约束数量增加而显著下降，并且缺乏平衡可行性与解质量的适当策略。在本工作中，该研究团队引入了标准线性斜坡QAOA（lr-QAOA）的两种扩展，专门针对具有多个异质约束的问题。首先构建了\(Λ\)-lr-QAOA，其中每个惩罚项被分配独立的线性斜坡调度，将惩罚权重从外部超参数提升为QAOA的内部变分参数，与目标函数和混合器参数类似。通过在单次运行中联合优化所有调度，该方法消除了嵌套式的惩罚调优，并能更高效地扩展到多个约束。优化过程由一种可行度驱动的损失函数引导，推动量子态朝向高质量可行解发展。作为进一步改进，该研究引入了分段斜坡QAOA，其中线性斜坡被两段式分段调度替代，以电路深度无关的小参数开销为代价，增强了Ansatz的表达能力。该研究团队将这两种方法在基于预算约束最大权重独立集问题的地球观测卫星任务规划任务上进行了测试。数值结果表明，分段斜坡QAOA在不同电路深度和系统规模下均持续优于lr-QAOA和\(Λ\)-lr-QAOA。此外，\(Λ\)-lr-QAOA和分段斜坡QAOA均表现出较高的可行率，这在工业应用中至关重要。该研究的分析揭示了一种内在的可行-最优性权衡，该团队通过引入损失函数的滤波变体来解决这一问题，该变体提供了一个超参数来调节这一平衡。