L'algorithme d'optimisation approximative quantique (QAOA) est prometteur
algorithme variationnel pour résoudre des problèmes d'optimisation combinatoire sur
appareils à court terme. Cependant, comme le nombre de couches dans un circuit QAOA
augmente, ce qui est corrélé à la qualité de la solution, le nombre de
les paramètres à optimiser croissent de manière linéaire. Cela entraîne plus d'itérations nécessaires
par l'optimiseur classique, ce qui entraîne une charge de calcul croissante
car davantage d'exécutions de circuits sont nécessaires. Pour atténuer ce problème, nous présentons
QAOA-PCA, une nouvelle technique de reparamétrage qui utilise le composant principal
Analyse (APC) pour réduire la dimensionnalité de l'espace des paramètres QAOA. Par
extraire les composants principaux des paramètres optimisés d'un problème plus petit
cas, QAOA-PCA facilite une optimisation efficace avec moins de paramètres sur
instances plus grandes. Notre évaluation empirique sur le problème majeur de MaxCut
démontre que QAOA-PCA nécessite systématiquement moins d'itérations que la norme
QAOA, réaliser des gains d’efficacité substantiels. Même si cela se fait au prix d'un
légère réduction du rapport d'approximation par rapport à QAOA avec le même nombre
de couches, QAOA-PCA surpasse presque toujours le QAOA standard lorsqu'il est égalé par
nombre de paramètres. QAOA-PCA établit un équilibre favorable entre efficacité et
performance, réduire les frais d'optimisation sans compromettre de manière significative
qualité des solutions.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: