量子科技中心_量科网

在资源受限的量子硬件上进行可扩展的组合优化，在含噪中等规模量子（NISQ）时代仍是一个根本性挑战，其根源在于指数级增长的解空间与有限的量子计算能力之间的不匹配。本研究提出了一种NISQ感知的混合量子-经典优化框架，该框架将大规模组合优化重新表述为一个资源有界的分布演化过程。该框架不直接优化单个解，而是对解空间的概率表示进行操作，从而在硬件约束下实现高效探索。具体而言，该框架通过基于聚类的分解将大规模问题实例拆解为与量子比特兼容的子问题，确保优化过程受资源限制。在每个子问题中，量子遗传算法演化解分布，而周期性嵌入的振幅放大作为一种受控的量子增强机制，在不增加电路深度的情况下加速收敛。经典精化阶段则确保全局解的一致性。在基准数据集和合成数据集上的广泛实验表明，该框架始终优于经典和量子启发式基线方法，且随着问题规模增大，性能提升愈发显著。这种与规模相关的行为表明，可扩展性是通过结构化分解而非增加量子复杂度实现的。噪声仿真进一步验证了该框架在真实NISQ条件下的鲁棒性，而消融研究则证实了量子进化搜索与振幅放大对性能提升均有显著贡献。