L'algoritmo di ottimizzazione approssimata quantistica (QAOA) è promettente
algoritmo variazionale per la risoluzione di problemi di ottimizzazione combinatoria
dispositivi a breve termine. Tuttavia, come il numero di strati in un circuito QAOA
aumenta, che è correlato alla qualità della soluzione, il numero di
parametri da ottimizzare crescono in modo lineare. Ciò si traduce in più iterazioni necessarie
dall'ottimizzatore classico, il che si traduce in un crescente onere computazionale
poiché sono necessarie più esecuzioni di circuiti. Per mitigare questo problema, presentiamo
QAOA-PCA, una nuova tecnica di riparametrizzazione che impiega la componente principale
Analisi (PCA) per ridurre la dimensionalità dello spazio dei parametri QAOA. Di
estrarre le componenti principali da parametri ottimizzati di problemi più piccoli
istanze, QAOA-PCA facilita l'ottimizzazione efficiente con meno parametri attivi
istanze più grandi. La nostra valutazione empirica sul prominente problema MaxCut
dimostra che QAOA-PCA richiede costantemente meno iterazioni rispetto allo standard
QAOA, ottenere sostanziali incrementi di efficienza. Anche se questo ha il costo di a
leggera riduzione del rapporto di approssimazione rispetto al QAOA con lo stesso numero
di strati, QAOA-PCA supera quasi sempre il QAOA standard quando abbinato
conteggio dei parametri. QAOA-PCA raggiunge un equilibrio favorevole tra efficienza e
prestazione, riducendo i costi di ottimizzazione senza compromettere in modo significativo
qualità della soluzione.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: