.png){kind=icon}
返回
Benchmarking variational quantum algorithms for combinatorial optimization in practice
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-026-00355-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变分量子算法，特别是变分量子特征求解器的变体，已被提出作为组合优化（CO）问题的解决方案。这些方法仅需浅层基态电路，被认为适合当前的有噪声中等规模量子硬件。然而，训练变分电路所需的资源往往随问题规模呈超多项式级增长。本研究中，我们通过数值方法研究了这种缩放对于CO问题的实际影响，以Max-Cut和随机QUBO实例作为基准。在固定的计算预算下，我们比较了训练浅层变分电路、有放回采样和贪婪局部搜索的平均性能。我们确定了量子算法在何种最小问题规模下始终优于随机采样，并对每个规模，我们表征了它们与贪婪局部搜索的差距。除平均性能外，我们还分析了不同算法在单个问题实例间的相关性。这些结果强化了在现实资源约束下，为组合优化问题建立直观且有效的变分量子算法基准的合理性。
Keyword:
Variational quantum algorithms
Combinatorial optimization
Measurement shot noise
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
Q
IF:
4.4
论文数:
440
被引数:
796
机构
引用论文
A variational eigenvalue solver on a photonic quantum processor光子量子处理器上的变分特征值求解器.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
分享收藏分享收藏
查看更多内容