Quantum Approximate Optimization Algorithm
PulseAugur coverage of Quantum Approximate Optimization Algorithm — every cluster mentioning Quantum Approximate Optimization Algorithm across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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与Lean 4合作完成量子优化证明
研究人员利用大型语言模型Claude Fable 5和Lean 4证明助手，成功解决了量子优化领域一个存在十年的猜想。该猜想由Farhi、Goldstone和Gutmann提出，涉及量子近似优化算法（QAOA）在环形图上的近似比。研究方法包括在Lean库中形式化问题，然后让LLM构建证明，并由Lean进行验证。此方法揭示了一个隐藏的动力学对称性，并利用了相邻领域的工具，展示了AI推理与形式验证在科学发现中的强大协同作用。
-
混合LLM-GNN模型提升量子电路优化效率
一位开发者创建了一个结合大型语言模型（LLMs）和图神经网络（GNNs）的混合模型，以提高ADAPT-QAOA算法在量子电路优化中的效率。该方法旨在通过使模型能够学习图结构与量子操作之间的关系，来解决量子电路设计、参数初始化和泛化方面的挑战。实验表明，该混合模型实现了快速学习，产生了紧凑且稳定的电路，并在近似比方面优于Vanilla QAOA等传统方法。
-
量子玻尔兹曼机实现高精度和抗噪声能力
研究人员通过双层优化架构扩展了量子近似优化算法（QAOA），开发了一种新颖的全连接量子玻尔兹曼机（QBM）。该新模型在测量目标量子态方面表现出卓越的性能，在无噪声条件下实现了0.9559的平均概率。此外，QBM表现出显著的抗噪声能力，即使在当前具有显著噪声水平的商用量子计算设备上，也能保持测量目标态的高概率。该模型在图像生成方面也显示出强大的能力，无论噪声干扰如何，都能持续生成目标模式。