.png){kind=icon}
返回
Conditional diffusion-based parameter generation for quantum approximate optimization algorithm
.png){kind=icon}
OA
AI
DOI：10.1140/epjqt/s40507-025-00397-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子近似优化算法（QAOA）是一种混合量子-经典算法，在高效求解最大分割（Max-Cut）问题这一组合优化代表性问题上显示出潜力。然而，其有效性高度依赖于参数优化流程，其中参数初始化策略因优化景观具有非凸且复杂、存在低质量局部极小值等问题而并非易事。近期灵感来源于经典神经网络参数的扩散，其已表明神经网络的训练可以通过扩散模型生成优质初始参数而受益。然而，扩散模型能否通过生成高性能初始参数来增强QAOA的参数优化和性能，仍是一个开放性话题。因此，在本工作中，我们将寻找优质初始参数的问题表述为生成任务，并提出基于数据集条件预训练参数采样的初始参数生成方案。具体而言，生成式机器学习模型——特别是去噪扩散概率模型（DDPM）——被训练以学习基于图数据集的预训练参数分布。直观上，所提出的框架旨在有效提炼预训练参数中的知识，以生成高性能的QAOA初始参数。为评估我们的框架，我们采用基于 trotterized quantum annealing（TQA）和基于图神经网络（GNN）预测的初始化协议作为基线。通过在各类规模的Max-Cut问题实例上的数值实验，我们证明条件DDPM能够持续生成高质量初始参数，提升逼近比收敛性，并在对抗局部极小值方面表现出比基线更强的鲁棒性。此外，实验结果还表明，在小型问题实例上训练的条件DDPM可外推至更大实例，从而展示了我们框架在量子比特数量方面的外推能力。
Keyword:
Quantum Approximate Optimization Algorithm
Denoising diffusion probabilistic model
Parameter initialization
Max-Cut
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
IF:
5.6
论文数:
540
被引数:
1.1K
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The Variational Quantum Eigensolver: A review of methods and best practices变分量子本征求解器: 方法和最佳实践的回顾OAAI
OAAI分享收藏Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets用于小分子和量子磁体的硬件高效变分量子本征求解器NatureOAAI
NatureIF0
OAAI分享收藏分享收藏Graph representation learning for parameter transferability in quantum approximate optimization algorithm量子近似优化算法中参数可传递性的图表示学习
OAAI
OAAI分享收藏
查看更多内容