量子科技中心_量科网

“最小二分问题”是组合优化领域中著名的NP难问题，在并行计算、网络设计和机器学习等领域具有实际应用价值。该研究探讨了利用D-Wave系统的量子退火求解器解决该问题的潜力，并将其建模为二次无约束二进制优化模型。该建模的关键挑战在于选择合适的惩罚参数，因其对确保解的质量和满足问题约束条件至关重要。为此，该工作提出了一种基于机器学习的自适应惩罚参数调优新方法——通过训练梯度提升回归模型，根据输入图的节点数量、密度等结构特征来预测最佳惩罚参数。这种方法能针对不同问题实例动态调整参数，从而优化求解器在最小化割集规模与保持均衡分区这两个竞争目标之间的平衡能力。研究团队在包含4000个节点的随机生成Erdős-Rényi图数据集上进行了测试，并与经典分区算法Metis和Kernighan-Lin进行对比。实验结果表明，这种自适应调参策略显著提升了量子退火混合求解器的性能，且 consistently优于传统方法，为图划分问题提供了新的解决思路。