Graph-Conditioned Meta-Optimizer for QAOA Parameter Generation on Multiple Problem Classes
Cet article présente un méta-optimiseur conscient du problème et conditionné par un graphe, qui apprend à générer des trajectoires de paramètres QAOA à travers diverses classes de problèmes d'optimisation combinatoire, démontrant une amélioration des performances et de la transférabilité par rapport aux méthodes d'initialisation standard sans nécessiter d'angles de vérité terrain.