Der Quantennäherungsoptimierungsalgorithmus (QAOA) ist vielversprechend
Variationsalgorithmus zur Lösung kombinatorischer Optimierungsprobleme
kurzfristige Geräte. Jedoch, als Anzahl der Schichten in einem QAOA-Schaltkreis
erhöht sich, was mit der Qualität der Lösung korreliert, die Anzahl der
Die zu optimierenden Parameter wachsen linear. Dies führt dazu, dass mehr Iterationen erforderlich sind
durch den klassischen Optimierer, was zu einem zunehmenden Rechenaufwand führt
da mehr Schaltungsausführungen erforderlich sind. Um dieses Problem zu mildern, wir stellen vor
QAOA-PCA, eine neuartige Reparametrisierungstechnik, die die Hauptkomponente verwendet
Analyse (PCA) um die Dimensionalität des QAOA-Parameterraums zu reduzieren. Von
Extrahieren von Hauptkomponenten aus optimierten Parametern eines kleineren Problems
Instanzen, QAOA-PCA ermöglicht eine effiziente Optimierung mit weniger Parametern
größere Exemplare. Unsere empirische Auswertung zum prominenten MaxCut-Problem
zeigt, dass QAOA-PCA durchweg weniger Iterationen erfordert als der Standard
QAOA, erhebliche Effizienzgewinne zu erzielen. Dies geht zwar mit Kosten von a
leichte Reduzierung des Approximationsverhältnisses im Vergleich zu QAOA mit der gleichen Zahl
von Schichten, QAOA-PCA übertrifft bei Übereinstimmung mit fast immer die Standard-QAOA
Parameteranzahl. QAOA-PCA schafft ein günstiges Gleichgewicht zwischen Effizienz und
Leistung, Reduzierung des Optimierungsaufwands ohne nennenswerte Kompromisse
Lösungsqualität.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: