Divide-and-Conquer Neural Network Surrogates for Quantum Sampling: Accelerating Markov Chain Monte Carlo in Large-Scale Constrained Optimization Problems
该论文提出了一种基于分治策略的神经网络代理框架,利用量子采样(QAOA)生成子图样本并训练条件神经网络来构建提议分布,从而在固定汉明权重约束下显著加速了大规模约束优化问题中的马尔可夫链蒙特卡洛(MCMC)收敛速度,并在 3-正则图及 MNIST 特征掩码优化任务中展现出优于经典方法的性能。