QAOA
PulseAugur coverage of QAOA — every cluster mentioning QAOA across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的RASP-QAOA系统优化QAOA仿真
一篇新研究论文介绍了一个名为RASP-QAOA的系统，该系统旨在优化量子近似优化算法（QAOA）的仿真。RASP-QAOA会考虑图结构、电路深度、精度和可用内存等因素，为每个特定的QAOA实例智能地选择最合适的计算表示和执行参数。在H200 GPU上的评估中，RASP-QAOA成功验证了所有可解的请求，并与CUAOA等现有方法相比，在选择准确性和遗憾方面表现更优。
-
新的LC-Implicit-QAOA方法提高了量子优化算法的训练效率
研究人员开发了一种新颖的训练量子近似优化算法（QAOA）的方法LC-Implicit-QAOA，该方法解决了评估目标和梯度的计算瓶颈。该方法优化了有界工作空间内的内存使用和批处理策略，从而实现了更高效的QUBO问题训练。该方法在准确性方面与现有的伴随微分技术相当，并且在速度和计算调用方面显著优于特定QUBO成本函数的中心差分法。
-
研究发现量子算法理论不适用于浅层电路
一项新的研究论文挑战了变分量子算法（VQAs）的现有理论，特别是当量子近似优化算法（QAOA）应用于最大独立集问题时。研究发现，动态李代数（DLA）理论关于损失和梯度方差消失的预测在浅层电路中并不成立。相反，该研究确定了常见的“崎岖地形”，其中方差随系统大小呈多项式增长，这与DLA的预测相矛盾。开发了经验硬度模型来预测实例级别的难度，尽管泛化能力较差，但在识别景观缩放类别方面显示出高保真度。
-
AI内容因包含最新技术而受赞扬，因内容笼统而受批评
提供的文本讨论了包括IBM Eagle和QAOA等先进技术，但指出内容通常过于笼统，缺乏具体的引用或对当前最先进技术的深入分析。
-
专为NISQ时代设计的新型量子图学习架构
研究人员开发了一种新颖的量子图卷积架构，该架构专为嘈杂中等规模量子（NISQ）时代的无监督学习而设计。该方法利用变分量子特征提取层，并结合受量子交替算子近似（QAOA）启发的边缘局部和量子比特高效量子消息传递机制。通过将消息传递分解为成对交互，该设计显著减少了量子比特需求，使其在当前的量子设备上可行。在Cora引文网络等数据集上的实验表明，与现有的量子和混合方法相比，该方法具有竞争力。
-
新的Q-Score方法使用量子力学进行分子对接
研究人员开发了Q-Score，这是一种新颖的分子对接评分函数，它不像传统方法那样包含量子力学效应。这种新方法使用图神经网络来预测轨道供体-受体能量，然后通过Digitized-Counterdiabatic QAOA解决最大权重顶点团问题。该方法在准确恢复最优解和富集强轨道相互作用方面显示出潜力，在IBM Eagle硬件上的初步测试表明可以在NISQ设备上解决。
-
Optimal FALQON 增强了 NISQ 设备上的量子优化性能
研究人员推出了一种名为 Optimal FALQON 的方法，它是基于反馈的自适应量子优化 (FALQON) 方法的增强版本，旨在提高在嘈杂中等规模量子 (NISQ) 设备上的性能。该新方法将每层的时步和缩放因子视为经典优化的决策变量，解决了标准 FALQON 中固定超参数的局限性。在 3-正则图上的实证研究表明，与标准 FALQON 和各种 QAOA 变体相比，Optimal FALQON 在成功概率和评估效率方面取得了统计学上的显…
-
新的 COMET 方法使用量子算法优化基因编辑
研究人员开发了一种名为 COMET 的新方法，该方法使用量子近似优化算法 (QAOA) 来解决基因编辑中的复杂组合优化问题。该方法解决了选择多重 CRISPR-Cas9 编辑的引导 RNA 的挑战，这涉及到管理跨基因的相互作用。COMET 比较了两种强制约束的策略：传统的惩罚项和使用 XY 混合器的结构化方法。在 IBM 的 ibm_kingston 处理器上进行的模拟和真实硬件测试表明，对于这种特定的生物学应用，XY 混合器比基于惩…
-
核主成分分析（Kernel PCA）增强量子计算中 QAOA 参数优化
研究人员探索了使用核主成分分析（Kernel PCA）作为一种方法来降低量子近似优化算法（QAOA）参数空间的维度。该技术旨在提高量子设备上组合问题的优化效率。实验表明，在更深的电路深度下，KPCA 的表现持续优于标准主成分分析（PCA），实现了更好的近似比，并显著减少了所需的量子电路评估次数。
-
AI 生成的代码在优化项目中隐藏了关键错误
一家现金运送公司的一个软件开发项目使用 AI 来解决车辆路径问题，尽管 AI 的输出看似完整，但遇到了重大问题。发现了三个关键错误：AI 模型中一个难以察觉的微小惩罚权重、一个自相矛盾的 MILP 模型（该模型会静默报告一个最优解）以及对 QAOA 性能的错误测量。这些问题凸显了现代软件开发中的一个重大盲点，即 AI 生成的代码可能看起来功能正常，但包含细微的、关键的错误，而这些错误并未被标准的审查流程捕获。
-
新研究探索人工智能和量子计算在生成模型和控制中的应用
研究人员正在探索先进的机器学习技术来增强量子计算能力。一篇论文介绍了潜在条件参数化量子电路（LPQCs）作为量子态分布的通用逼近器，有望改进量子生成模型。另一项研究提出了一个用于鲁棒开放量子系统控制的多任务强化学习框架，在噪声环境中展示了高保真度。此外，一种名为CRiSP的新方法使用强化学习来优化变分量子算法的初始状态，优于现有方法。最后，量子强化学习被应用于过程合成问题，与经典方法相比显示出具有竞争力的可扩展性和效率。
-
基于QAOA的量子强化学习增强车辆路径优化
研究人员开发了一种新颖的混合方法，将量子近似优化算法（QAOA）集成到量子强化学习（QRL）策略网络中。这种集成使智能体能够利用量子相关性更有效地探索路径解决方案。与现有的Grover自适应搜索和QRL方法相比，新框架在处理更大规模的车辆路径问题实例时，展示了更快的训练收敛速度和处理能力，为近期量子硬件上的量子辅助组合优化带来了希望。
-
量子-经典神经网络利用Ridgelet变换进行投资组合优化
研究人员开发了一种混合量子-经典神经网络模型，称为QRNN，用于金融时间序列预测和投资组合优化。该模型集成了Ridgelet变换进行特征提取，并结合量子近似优化算法（QAOA）以提高量子计算的效率和准确性。通过将金融数据分解为多分辨率分量，Ridgelet变换减少了所需的量子比特数量，从而能够实现更具可扩展性和更精确的资产选择预测。
-
新方法使用图神经网络将QAOA电路评估次数减少80%
研究人员开发了一种新颖的图条件信任区域方法，以减少量子近似优化算法（QAOA）所需的客观评估次数。该方法利用图神经网络预测QAOA角度，在定义的信任区域内指导局部优化器，并根据预测的不确定性调整评估预算。在MaxCut问题上的实验表明，电路评估次数从数百次显著减少到约45次，同时保持了可比的解决方案质量。