Distributed quantum approximate optimization algorithm on a quantum-centric supercomputing architecture

Seongmin Kim

doi:10.1038/s41534-026-01283-2

Distributed quantum approximate optimization algorithm on a quantum-centric supercomputing architecture

2026-06-05

0

OA

AI

DOI：10.1038/s41534-026-01283-2

原文链接

查看原文

摘要

En 中文

量子近似优化算法（QAOA）在近量子门计算系统中通过提供量子加速展示了求解组合优化问题的潜力。然而，QAOA因所需量子比特数量庞大和深度电路复杂而面临高维问题的挑战，限制了其在现实应用中的可扩展性。本研究提出了一种分布式QAOA（DQAOA），利用分布式计算策略将大计算工作量分解为需要更少量子比特和更浅电路的小任务。这些子问题通过高性能计算和量子计算资源的组合进行处理。全局解通过聚合子解进行迭代更新，使算法收敛于最优解。我们证明DQAOA能够处理大规模优化问题（如1000比特问题），实现高解质量和短求解时间，优于现有策略。此外，我们在量子中心超级计算架构上实现了DQAOA，为门式量子计算机在现实优化任务中的实际应用铺平道路。为扩展DQAOA在材料科学中的应用，我们进一步开发了一种集成主动学习算法的DQAOA（AL-DQAOA），其在机器学习、DQAOA和主动数据生产的迭代循环中协同工作。我们成功使用AL-DQAOA优化了光子结构，表明使用门式量子计算解决现实优化问题具有可行性。我们预期所提出的DQAOA可应用于广泛优化问题，而AL-DQAOA将在材料设计中找到更广泛的应用。

Distributed quantum approximate optimization algorithm on a quantum-centric supercomputing architecture

摘要

AI总结

期刊

机构

引用论文