动态深度量子近似优化算法求解约束最短路径问题
量子近似优化算法（QAOA）已成为在含噪声中等规模量子（NISQ）硬件上解决NP难组合优化问题的潜力方案。但该算法的性能高度依赖于需预先指定却缺乏明确指导的电路深度参数选择。本文提出一种名为动态深度量子近似优化算法（DDQAOA）的改进方案，通过从p=1开始，根据收敛标准将已学习参数迁移至更深的电路，逐步扩展至p=10，从而解决固定电路深度的预设难题。该研究团队在10量子比特和16量子比特规模的约束最短路径问题（CSPP）上测试了100个实例。相较于传统QAOA在p=3、5、10和15时的表现，该团队的DDQAOA方案以更少的CNOT门评估次数实现了更优的近似比和成功概率。值得注意的是，虽然传统QAOA在p=15时取得了接近该方案的结果，但其10量子比特和16量子比特实例的CNOT门用量分别超出217%和159.3%。这一成果验证了DDQAOA在近期量子设备上解决组合优化问题的性能优势与实用价值。
