量子科技中心_量科网

量子计算有望比经典方法更高效地解决复杂组合优化问题，其中量子近似优化算法（QAOA）是最具前景的方案之一。虽然近期提出的固定参数变体QAOA消除了耗时的运行时优化环节，但如何确定其最优初始化参数及目标解所需层数（p）仍是亟待解决的关键挑战。该工作提出了一种基于图神经网络（GNN）预测QAOA性能的创新方法：通过问题的图结构表示，GNN能预测不同参数初始化和层深配置下，多种组合优化问题在输出分布中获得最优解的概率。实验证明，GNN的预测准确率与真实值误差不超过10%。该模型在未见过的Problem classes、更大Problem规模及更高层数场景下均展现出优秀的泛化能力。该方法无需昂贵参数优化即可筛选适合QAOA求解的问题实例，并为最小化层深选择最优参数初始化策略。