⚛️ quantum physics

Cross-Platform Benchmarking of Near-Term Quantum Optimisation Algorithms

该论文提出了一种针对近期量子优化算法的应用级基准测试框架，通过在商业量子设备上求解材料科学中的稠密 QUBO 问题，对比了变分量子本征求解器（VQE）与量子退火（QA）及三种经典算法的性能，发现当前算法在超过 72 个变量的全连接问题上受限于设备连接性、噪声及经典计算开销。

原作者： Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

发布于 2026-03-25

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Kieran McDowall, Theodoros Kapourniotis, Christopher Oliver, Phalgun Lolur, Konstantinos Georgopoulos

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一场**“量子计算机与经典计算机的跨界大比武”**。

想象一下，你是一位超级大厨，手里有一张极其复杂的**“寻宝地图”**（这就是论文里的“优化问题”）。地图上标满了成千上万个可能的藏宝点，但只有一个点是真正的“最佳藏宝点”（能量最低、最完美的状态）。你的任务就是找到这个点。

为了找到这个点，研究团队邀请了三位选手进行比赛：

老练的探险家（经典算法）： 比如“模拟退火”，它像是一个经验丰富的老探险家，通过不断尝试和修正，慢慢逼近宝藏。
量子新秀 A（量子退火）： 像是一个拥有“透视眼”的探险家，能利用量子特性同时探索多条路径。
量子新秀 B（VQE）： 像是一个拿着“魔法罗盘”的学徒，需要不断调整罗盘指针（参数），试图指向宝藏。

他们使用的“地图”是一个关于石墨烯（一种超级材料）缺陷的问题。简单说，就是要在一张碳原子网中挖掉几个洞，让剩下的网最结实、能量最低。这就像是在玩一个高难度的“消消乐”，但规则非常复杂，稍微挖错一个洞，整个结构就垮了。

比赛过程与发现

1. 赛场设置：真实的“游乐场”
研究团队没有只在纸上谈兵，他们真的把比赛搬到了真实的量子计算机上（IBM 的芯片和 D-Wave 的退火机）。这就像是在真实的赛车场上测试新车，而不是在模拟器里跑。

2. 选手表现大揭秘

老练的探险家（经典算法）赢了：
令人惊讶的是，在这个特定的任务中，传统的经典计算机算法（模拟退火）表现得最好。它跑得快，找得准，而且随着地图变大，它依然能保持稳定的速度。这就好比老探险家虽然不会飞，但他走路稳、路线熟，反而比那些花哨的新工具更靠谱。
量子新秀 A（量子退火）：潜力股，但受困于“路障”
量子退火机表现不错，能处理比经典计算机更复杂的问题（最多处理了 72 个变量）。但是，它遇到了一个巨大的麻烦：“路障”（嵌入开销）。
- 比喻： 想象量子退火机只有一条狭窄的乡间小路（硬件连接性有限），而我们的地图是一个巨大的城市网格（全连接问题）。为了把城市地图画在乡间小路上，我们需要把城市里的每个路口都强行“折叠”成小路能认出的样子。这个过程非常耗时，就像为了过一条窄桥，你要先把一辆大卡车拆成零件运过去，再在对面组装起来。这个“拆运装”的时间，抵消了量子计算本身的速度优势。
量子新秀 B（VQE）：还在“练级”阶段
VQE 算法表现比较挣扎。它需要不断地调整“魔法罗盘”，但在真实的量子计算机上，“噪音”（环境干扰） 太大了。
- 比喻： 就像你在狂风暴雨中试图用指南针找方向，风太大（噪音），指南针乱转，导致它很难找到真正的宝藏。而且，随着地图变大，需要的“魔法”步骤变多，噪音积累得更多，它更容易迷路。此外，每次调整罗盘都要和经典计算机“汇报”，这个来回沟通的时间（经典计算开销）也非常长。

3. 关键技巧：后处理（Post-Selection）
研究发现了一个有趣的现象：有时候，为了不让地图变得太复杂（能量范围太大），他们故意把“挖洞数量”这个规则设得稍微宽松一点。这样虽然会跑出一些不符合规则的“废图”，但通过**“事后筛选”**（Post-Selection），把那些废图扔掉，反而能更容易找到真正的宝藏。

比喻： 就像你让一群孩子去抓鱼，你规定“只能抓 3 条”。为了让孩子抓得更快，你允许他们先抓 10 条，抓完后你再把多出来的 7 条扔掉。虽然多了一步“挑拣”的动作，但整体效率反而高了。

总结与启示

这篇论文并没有宣布“量子计算机已经无敌了”，相反，它非常诚实且务实地告诉我们：

现状： 在解决这类复杂的“寻宝”问题时，目前的经典计算机依然非常强大，甚至在某些方面比量子计算机更实用。
瓶颈： 量子计算机目前的短板不在于“算得慢”，而在于**“连接性差”（路不好走）和“噪音大”**（风太大）。要把量子计算机真正用起来，我们需要更好的“地图折叠技术”（嵌入算法）和更安静的“实验室环境”（纠错技术）。
未来： 虽然这次量子计算机没赢，但研究团队建立了一套公平的“打分系统”（基准测试框架）。这套系统未来可以用来衡量任何新的量子硬件或算法是否真的进步了。

一句话总结：
这就好比在测试第一代电动汽车。虽然它现在跑不过成熟的燃油车（经典算法），而且充电和修路（硬件限制）还很麻烦，但这次测试让我们清楚地知道了哪里需要改进，为未来真正超越燃油车指明了方向。

这是一份关于论文《跨平台基准测试近期量子优化算法》（Cross-Platform Benchmarking of Near-Term Quantum Optimisation Algorithms）的详细技术总结。

1. 研究背景与问题定义 (Problem)

研究目标：对近期（Near-term）量子优化算法进行公平、系统的跨平台基准测试，以评估其在解决组合优化问题上的实际性能，并与经典算法及不同硬件平台（门基量子计算机 vs 量子退火器）进行对比。
核心问题：研究采用**石墨烯缺陷结构（Defective Graphene Structures）**的构型分析作为代表性测试用例。
- 具体任务：在一个包含 $N$ 个位点的石墨烯晶格中移除特定数量（固定为 3 个）的原子，寻找剩余原子间键合数量最大（即系统能量最低）的构型。
- 数学形式：该问题被建模为**稠密二次无约束二进制优化（QUBO）**问题，具体对应于“最密 $k$ -子图（Densest $k$ -Subgraph, DkS）”问题。这是一个 NP-hard 问题。
- 约束处理：通过惩罚项（Penalty Term）将“移除原子数量固定”的约束编码到 QUBO 目标函数中，而非使用硬约束。

2. 方法论 (Methodology)

作者构建了一个统一的基准测试框架，比较了以下算法和硬件平台：

A. 算法分类

经典算法：
- 暴力搜索（Brute Force）：作为基准，提供精确解（仅适用于小规模）。
- 模拟退火（Simulated Annealing, SA）：一种启发式经典算法，用于评估经典方法的性能上限。
- 随机采样（Random Sampling）：作为基线，不利用问题结构。
量子算法：
- 变分量子本征求解器（VQE）：基于门基量子计算机（Gate-based QPU）。使用混合量子 - 经典循环，通过经典优化器调整电路参数以最小化能量期望值。
  - 技术细节：使用了条件风险价值（CVaR）作为目标函数，以加速收敛并提高找到最优解的概率。
- 量子退火（Quantum Annealing, QA）：基于量子退火器。通过绝热演化将系统从初始哈密顿量演化到目标哈密顿量。

B. 硬件平台

门基量子计算机：IBM ibm_fez（156 量子比特，Heron r2 处理器），通过 QCaaS（量子计算即服务）访问。
量子退火器：D-Wave Advantage System 6.4（5612 物理量子比特）。
经典硬件：32 核 CPU，123 GB RAM 的高性能计算集群。

C. 评估指标 (Metrics)

为了公平比较，定义了以下关键指标：

最优解概率 ( $P_s$ )：采样到基态（最优解）的比例。
近似比（Approximation Ratio, AR）：衡量解的能量相对于理论最小和最大能量的接近程度。
用户运行时间（User Runtime）：包含编码时间、延迟和设备运行时间。
QPU 时间：仅指量子硬件实际处理任务的时间。
后选择（Post-Selection）：由于使用了较小的惩罚系数 $\lambda$ 以缩小能量范围，部分采样结果可能违反约束（即移除的原子数不为 3）。研究采用经典后处理过滤掉这些无效解，并分析其对 $P_s$ 的提升作用。

D. 嵌入技术 (Embedding)

针对量子退火器有限的连接性，测试了两种嵌入方法：

Minor Embedding：D-Wave 默认启发式方法。
Clique Embedding：专为全连接图（100% 密度）设计的多项式时间算法。

3. 主要贡献 (Key Contributions)

统一的基准测试框架：提出了一种公平比较门基变分算法、量子退火和经典算法的框架，适用于相同的 QUBO 实例，填补了该领域缺乏透明度和标准化指标的空缺。
大规模全连接 QUBO 求解：利用 QCaaS 硬件，成功求解了变量数高达 72 的全连接 QUBO 问题。这在近期量子硬件上是一个显著的规模突破。
扩展性分析：
- 经典模拟退火在变量数高达 388 时仍表现出多项式时间扩展性。
- 提供了量子退火在可行硬件规模内（至 72 变量）呈现多项式时间扩展性的初步证据。
关键技术洞察：
- 惩罚系数与后选择：发现使用较小的惩罚系数 $\lambda$ 配合后选择策略，比使用大 $\lambda$ 能更有效地提高获得最优解的概率。
- 嵌入开销：揭示了 Minor Embedding 带来的巨大时间开销，并证明 Clique Embedding 在处理全连接问题时能显著降低运行时间。
- VQE 的局限性：详细分析了噪声、初始参数随机性导致的收敛困难（ barren plateaus 现象）以及经典优化器时间开销对 VQE 性能的限制。
- 硬件限制：指出了设备连接性（Connectivity）和噪声是限制更大规模问题求解的主要瓶颈。

4. 关键结果 (Results)

18 变量问题表现：
- 经典模拟退火表现最佳：在解的质量（ $P_s \approx 0.99$ ）和运行时间上均优于所有量子方法。
- 量子退火：优于随机采样，但劣于模拟退火。后选择显著提升了其 $P_s$ （从 ~0.19 提升至 ~0.40）。
- VQE (QPU)：受噪声影响较大， $P_s$ 较低（~0.18），且标准差较大（受初始参数影响）。其用户运行时间比模拟退火高出两个数量级，主要消耗在经典编译和优化循环上。
扩展性结果：
- 模拟退火：在 338 变量问题上仍保持多项式时间扩展，证明了经典启发式算法在处理此类特定结构问题时的强大能力。
- 量子退火：使用 Minor Embedding 可解决至 72 变量问题，但 $P_s$ 随规模增加迅速下降。Clique Embedding 在 50 变量以下表现更好，但在更大规模下受限于硬件连接性。
- VQE：在 50 变量以上难以收敛到有效解，72 变量时仅找到次优解。主要瓶颈在于电路深度、噪声积累以及经典优化器的时间开销。
误差分析：VQE 的结果表现出较大的标准差，主要源于不同实验运行中随机初始参数的差异，而非仅仅是采样噪声（Shot noise）。

5. 意义与展望 (Significance)

现实指导意义：该研究表明，对于当前的近期量子硬件，解决稠密 QUBO 问题仍面临巨大挑战。经典算法（特别是模拟退火）在特定问题上仍具有显著优势。
硬件与算法协同：研究强调了硬件连接性（Connectivity）和噪声是限制量子优势的关键因素。未来的硬件升级（如 IBM Nighthawk 的方形晶格、D-Wave Advantage2）有望通过减少 SWAP 门开销和改善连接性来提升性能。
方法论价值：提出的基准测试框架（包括指标定义、后选择策略、嵌入技术对比）为未来评估量子优化算法提供了标准化的参考，有助于区分算法本身的优劣与硬件实现的局限。
未来方向：
- 应用误差缓解技术（Error Mitigation）。
- 探索更先进的变分策略（如 Warm Start, 参数集中, 递归 QAOA）。
- 寻找对经典算法困难但对量子算法友好的特定 QUBO 实例结构。

总结：这篇论文通过严谨的跨平台实验，客观地展示了近期量子优化算法在处理稠密组合优化问题时的现状。虽然量子方法在特定指标上展现了潜力，但在解的质量和运行效率上，目前仍难以超越优化的经典启发式算法。研究为理解量子优势的实现路径和瓶颈提供了宝贵的实证数据。