量子科技中心_量科网

基于反馈的自适应量子优化（FALQON）是在含噪中等规模量子（NISQ）设备上求解组合问题的一种有前景的方法，每层仅需单次电路评估。然而，标准FALQON依赖于固定的超参数，严重限制了收敛速度，需要数百到数千层才能获得可接受的解。本文提出最优FALQON，这是一种基于优化的公式，将每层时间步长（δₖ）和缩放因子（Mₖ）视为通过经典方法优化的决策变量。该研究对所有94个非同构的3-正则图（12个顶点）进行了全面的实证研究，将最优FALQON与标准FALQON及多种QAOA变体进行了比较。结果表明，在评估基准中，最优FALQON在成功概率、评估效率和深度归一化成本方面均取得了统计显著的改进。此外，使用最优FALQON的参数初始化QAOA，相比固定初始化能获得更优的热启动性能。