量子科技中心_量科网

变分量子算法已成为当代量子算法研究的基石。尽管该算法在解决实际应用问题方面展现出巨大潜力，但如何高效确定实现此类解决方案所需的最小量子资源仍是一个悬而未决的问题。该工作受经典机器学习概念启发，系统研究了过参数化对变分量子算法性能的影响。研究聚焦于量子近似优化算法（QAOA）——这一旨在解决组合优化问题的著名变分量子算法，重点探讨了电路过参数化对于解决MAX-CUT和MAX-2-SAT两类典型问题是否兼具必要性与充分性。 对于MAX-CUT问题，数值模拟显示（在20量子比特规模内验证），过参数化既是获得精确解的充分条件，也是统计学意义上的必要条件。特别值得注意的是，在2-正则图上的MAX-CUT问题中，基于解析获得的最佳电路深度，该研究团队严格证明了过参数化的必要性。然而与之形成鲜明对比的是，针对MAX-2-SAT问题，欠参数化电路已足以解决大多数算例。这一发现凸显了QAOA算法在欠参数化区域的潜在优势，为当前噪声环境下的量子设备应用提供了重要支持。