量子科技中心_量科网

量子近似优化算法（QAOA）是一种领先的变分算法，适用于近期量子设备上的组合优化问题。随着电路深度的增加，优化参数的数量也随之增长，使得搜索曲面变得越来越非线性且难以优化。先前的研究表明，最优的QAOA参数通常位于一个低维流形上，该流形在浅层电路深度下可通过主成分分析（PCA）进行近似。然而，在更深层的电路中，由于底层参数流形变得愈发非线性，PCA的有效性会下降。在本工作中，研究人员探究了核主成分分析（KPCA）结合径向基函数核，作为一种非线性降维技术用于QAOA参数优化。该模型使用分别来自三个图族（即Erdos-Renyi、Barabasi-Albert和Watts-Strogatz）各200个图进行训练，图的大小从7个节点到10个节点不等。性能评估在包含12个节点的30个测试图上进行，电路深度分别为1、2、4和8。实验结果表明，在所有图族中，KPCA在更深电路深度上始终优于PCA。在深度为8时，KPCA的近似比超过0.86，而PCA则下降至约0.81到0.83。与无限制的QAOA优化相比，这两种方法均将量子电路评估次数减少了超过93%。这些发现表明，非线性核方法能够更有效地捕捉QAOA参数流形的结构，并为将变分量子优化扩展到更深层电路提供了一种实用的方法。