标题： 具有预热量子态的迭代量子优化 显示英文标题

标题： Iterative quantum optimisation with a warm-started quantum state

摘要： 我们提供了一种从测量值准备热启动量子态的方法，并结合迭代框架来增强量子近似优化算法（QAOA）。 数值模拟表明，该方法能够有效解决标准QAOA的“卡壳问题”，使用[Cain等人，2023年]中描述的单字符串热启动初始状态。 当应用于$3$-正则最大割问题时，我们的方法实现了改进的近似比，其下界通过迭代收敛至$p=1$标准QAOA的最佳经典算法。 此外，在离散全局最小方差投资组合（DGMVP）模型的背景下，模拟显示，与单独的QAOA、单字符串热启动的QAOA以及经典的约束采样方法相比，识别全局最小值具有更优的可扩展性。 显示英文摘要

摘要： We provide a method to prepare a warm-started quantum state from measurements with an iterative framework to enhance the quantum approximate optimisation algorithm (QAOA). The numerical simulations show the method can effectively address the "stuck issue" of the standard QAOA using a single-string warm-started initial state described in [Cain et al., 2023]. When applied to the $3$-regular MaxCut problem, our approach achieves an improved approximation ratio, with a lower bound that iteratively converges toward the best classical algorithms for $p=1$ standard QAOA. Additionally, in the context of the discrete global minimal variance portfolio (DGMVP) model, simulations reveal a more favourable scaling of identifying the global minimal compared to the QAOA standalone, the single-string warm-started QAOA and a classical constrained sampling approach.