量子科技中心_量科网

量子近似优化算法（QAOA）在组合优化近似求解中展现出的实际应用潜力正引发广泛关注。该算法当前面临的核心挑战在于参数寻优——通常需通过变分优化循环实现。参数迁移（或称参数集中）现象表明：在自相似问题实例上训练的QAOA角度参数，往往能良好适用于同类其他问题实例，这为开发高效可扩展的非变分参数学习方法提供了可能。本研究基于Julia语言开发的JuliQAOA仿真工具，系统考察了从决策变量较少的模型（16/27个变量）到大规模问题实例（最高156量子比特）的参数迁移性能，研究对象为含几何局域高阶项的重六边形图伊辛模型，并实现了最高49层（p）QAOA的经典角度参数求解。 通过结合全态矢量模拟、投影纠缠对态（PEPS）、矩阵乘积态（MPS）及LOWESA数值模拟，研究人员验证了固定角度参数的迁移效果。结果显示：单一实例迁移参数应用于未见问题实例时，其性能并不随p值增加呈现单调提升——存在多个性能暂时下降的案例——但总体仍呈现期望值上升趋势，在多案例中收敛至100+量子比特实例的真实基态能量附近。该团队进一步在IBM量子处理器（127/133/156量子比特规格）上对硬件兼容的伊辛模型进行采样测试：在ibm_fez上实现p=5、ibm_torino达p=9、ibm_pittsburgh达p=10的硬件级QAOA电路连续质量提升。