.png){kind=icon}
返回
Quantum optimization with classical chaos
.png){kind=icon}
OA
AI
DOI：10.1088/2058-9565/ae59ad.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子近似优化算法（QAOA）是解决各种组合问题（如最大可满足性和最大割问题）的有力工具。然而，计算难题需要深度电路，对经典变分参数优化提出了高要求。最终，这促使人们研究有效的QAOA参数化的替代方法。在此，我们研究了一种基于经典混沌递归映射的参数化方案，该方案能够显著降低变分参数空间的缩放。通过对困难最大可满足性问题的数值研究，我们证明，当受到有限的经典优化迭代和短深度电路的限制时，混沌映射能够有效匹配标准QAOA的性能。通过经典动力系统的视角阐明了这种行为，并用于指导结合标准和混沌参数化的混合方案。结果表明，这些混合方法可以提升QAOA性能，超越仅使用标准方法的效果，尤其是在深度电路中。通过本研究，我们提供了一个新视角，引入了指定高性能、基于动力映射的QAOA参数化的广义框架。
Keyword:
QAOA
classical chaos
variational parameterization
combinatorial optimization
dynamical systems
期刊
IF:
5
论文数:
1.4K
被引数:
5.1K
机构
引用论文
From the Quantum Approximate Optimization Algorithm to a Quantum Alternating Operator Ansatz从量子近似优化算法到量子交替算子Ansatz.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏Quantum approximate optimization of the long-range Ising model with a trapped-ion quantum simulator使用陷阱离子量子模拟器对远程Ising模型进行量子近似优化OAAI
OAAI分享收藏Applying the quantum approximate optimization algorithm to the minimum vertex cover problem量子近似优化算法在最小顶点覆盖问题中的应用
PREAI
分享收藏
查看更多内容