量子物理
[提交于 2018年12月3日
(v1)
,最后修订 2019年11月9日 (此版本, v2)]
标题: 量子近似优化算法:性能、机制及在近期设备上的实现
标题: Quantum Approximate Optimization Algorithm: Performance, Mechanism, and Implementation on Near-Term Devices
摘要: 量子近似优化算法(QAOA)是一种混合量子-经典变分算法,旨在解决组合优化问题。 尽管其在短期量子应用中具有前景,但目前对QAOA在最低深度变体之外的性能了解甚少。 理解并部署QAOA的一个关键但缺失的要素是进行外层经典优化的构造性方法。 我们通过开发一种高效的参数优化程序并揭示其利用非绝热操作的能力,深入研究了QAOA在MaxCut问题上的性能。 基于对最优参数中观察到的模式,我们提出了启发式策略来初始化优化,以在$O(\text{poly}(p))$时间内找到准最优的$p$-级QAOA参数,而标准的随机初始化策略需要$2^{O(p)}$次优化运行才能达到类似性能。 随后,我们对QAOA进行了基准测试,并将其与量子退火进行比较,特别是在由于光谱间隙较小而导致绝热量子退火失败的困难实例上。 比较结果表明,QAOA可以通过优化学习利用非绝热机制,从而克服消失光谱间隙相关的挑战。 最后,我们提供了QAOA实验实现的现实资源分析。 当考虑测量中的量子涨落时,我们说明优化仅在超出数值模拟的问题规模下才重要,但在短期内设备上是可访问的。 我们提出了一种在二维中性原子系统中实现大规模MaxCut问题的可行方案,该系统包含几百个顶点,达到了挑战最佳经典算法的区域。
当前浏览上下文:
quant-ph
切换浏览方式为:
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.