Sign-hedged Beam QAOA:Scaling Quantum Optimization Algorithms
本文介绍了符号对冲束搜索式递归量子近似优化算法（Sign-hedged Beam RQAOA），这是一种混合经典-量子策略，通过探索多种符号分配并剪枝次优路径，来减轻标准递归量子近似优化算法（Recursive QAOA）中的误差传播问题，从而在传统递归方法失效的挑战性优化实例上实现近乎最优的近似比。
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
在计算领域，有些问题就像是在试图寻找一条穿过广袤、纠缠森林的最佳路径。你不能简单地走遍每一条小径来观察哪条最短；因为森林太大了，所花费的时间将超过人类的一生。相反，计算机使用巧妙的捷径来猜测最佳路线。多年来，科学家们一直希望一种新型机器——量子计算机，能够通过利用物理学的奇特规则来同时探索许多路径，从而解决这些谜题。实现这一目标的一种流行方法被称为量子近似优化算法（QAOA）。它的工作原理是建立一个量子系统来表示问题，然后轻轻地摇晃它并测量结果，以观察答案是否得到了改进。然而，这些机器目前规模较小且噪声较大，该方法经常在找到真正解之前就陷入停滞或出错。挑战在于，如何在不要求这些脆弱机器一次性做过多工作的情况下，充分发挥它们的最大效用。
IBM 研究院的一个研究小组发现了一种方法，可以在不要求量子机器更努力工作的情况下，使这一过程变得更加可靠。他们专注于一种特定的技术，即将一个巨大的问题分解成更小、更容易处理的部分。这种做法的标准方式是对解的一部分做出猜测，锁定该猜测，然后解决剩余的较小问题。这种方法的缺陷在于它是不可逆的。如果计算机在早期做出了一个错误的猜测，这个错误就会被永久锁定，随后的每一步都将建立在错误的基础之上。最终的答案因此被毁掉了，即便量子机器本身运行得非常完美。研究人员意识到，错误并不在于量子计算本身，而在于过快锁定单一选择的决策。
为了解决这个问题，该团队开发了一种被称为“符号对冲束搜索”（sign-hedged beam search）的新策略。这种方法不再仅仅锁定一个猜测，而是同时保留少量最有希望的可能性。当算法需要对一个变量做出决策时，它不会只选择一条路径。它会同时探索两种选择——即如果变量被设定为一个值会发生什么，以及如果变量被设定为相反的值又会发生什么。然后，它使用一台快速的经典计算机对这些不同的路径进行评分，并仅保留表现最好的几个以继续执行。这就像是一个安全网。如果最初的猜测是错误的，该方法已经在后台保留了正确的路径。一旦问题被缩减到一个微小的、可处理的核心，计算机就会精确求解最后这一部分，然后通过回溯来重建完整的解。
这种方法的成果令人瞩目，特别是在处理被称为“自旋玻璃”（spin glasses）的一类复杂问题时，这类问题的变量之间存在高度冲突的连接。在这些测试中，标准方法表现糟糕，找到的解仅为最优解的一半左右。相比之下，新方法找回了近乎完美的解，成功率接近百分之百。研究人员在各种现实世界风格的问题上进行了测试，包括将网络划分为不同的组以及选择最佳的金融资产组合。他们在强大的计算机模拟和公众可用的实际量子硬件上都运行了这些测试。在大多数情况下，新方法明显优于旧方法，通常能在标准方法挣扎或失败的地方找到最佳解，尽管在某些特定情况下，其他先进的经典方法或标准调度方案仍具有竞争力。
至关重要的一点是，这种提升并非来自于让量子电路变得更深或更复杂（这会导致它们在当前的机器上因噪声过大而无法工作），而是来自于在经典计算机端采用更聪明的决策方式。量子机器执行的步骤数保持不变，但研究人员为它提供了更好的指令以及一种从不确定性中恢复的方式。通过保持几个选项开放并剔除较差的选项，他们将一个脆弱的单向过程转变为一个稳健的搜索过程。这项研究表明，对于我们今天面临的困难问题，瓶颈不在于量子硬件的力量，而在于用于解释其结果的逻辑的僵化程度。通过使决策过程变得灵活，研究人员展示了利用我们现有的技术，可以更接近真实的答案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。