经典混沌中的量子优化
量子近似优化算法（QAOA）是解决最大可满足性、最大切割等组合优化问题的有力工具。然而，困难的计算问题需要深层量子电路，这对经典变分参数优化提出了极高要求。这最终促使研究人员探索更有效的QAOA参数化替代方案。本研究提出了一种基于经典混沌递归映射的参数化方案，可显著降低变分参数空间的规模扩展。通过对困难最大可满足性问题的数值实验，该团队证明：在经典优化迭代次数有限和浅层电路的约束下，混沌映射方案能实现与标准QAOA相当的性能。研究人员从经典动力系统视角阐释了这一现象，并据此设计了混合方案——同时利用标准和混沌参数化方法。研究表明，这些混合策略能提升QAOA性能（尤其是深层电路场景），超越单一标准方案。该工作通过动态映射的广义框架，为高性能QAOA参数化研究提供了新范式。
