Solomon benchmark

图神经网络和自适应惩罚提升量子退火在路径规划问题上的性能

研究人员开发了一种新方法，以提高在量子退火器上解决带时间窗的容量车辆路径问题（CVRPTW）的效率。他们的方法利用图神经网络（GNN）进行自适应图粗化，降低了问题表述的复杂性。此外，他们引入了自适应惩罚校准，以提高从量子处理器获得的原始样本的质量。这些进展显著提高了量子退火在复杂路径规划问题上的可行性和性能，如在Solomon基准和D-Wave Advantage2硬件上所展示的。