量子科技中心_量科网

在固定预算下选择异常样本与解释特征，定义了一个耦合约束优化问题。传统的特征优先顺序方法先排序特征再选择样本，这可能会忽略那些效用依赖于样本选择的特征，尤其是在从可能有限、含噪或漂移的参考数据中校准得分时。该团队将任务重新表述为在相同固定数量下的联合样本-特征选择。在分析的形式化模型中，对于特征优先排序，校准误差敏感性随样本数量线性增长，而对于联合选择则保持恒定。该团队引入了耦合分组XY-QAOA，这是针对所产生优化问题的一种保留约束的分组角度变体。在匹配的稀疏IBM Heron R3基准测试中，硬件感知实现相较于CZ基目标上的Qiskit优化级别3，将电路深度降低了45.9%-61.3%，双量子比特门减少了2.6%-5.2%。据该团队所知，这实现了迄今为止报道的、保留可行域的双边选择QAOA硬件执行中最大宽度-深度配置：p=2时64个量子比特，p=3时36个量子比特。20量子比特p=5的运行保留了63%的有效样本。在36-64量子比特范围内，固定角度运行产生的低能量可行样本优于匹配的随机可行采样。热启动将严格可行经典参考的差距缩小了57.5%-80.5%，而近预算修复在36量子比特处与稀疏经典参考相匹配。基准测试显示在平衡固定预算机制中有所改进，无噪声模拟表明问题结构化的角度分组优于相同深度的XY-QAOA以及匹配参数、类型保持的随机化对照。总体而言，结果支持在测试机制中进行校准的联合选择和硬件可实现的约束混合器执行。