用迭代方法优化量子态初始状态，提升量子近似优化算法性能。
Iterative quantum optimisation with a warm-started quantum state
- 通过测量反馈迭代构建暖启动量子态，缓解标准QAOA的收敛困境。
- 在3-正则最大割问题中，逼近比优于标准QAOA且随迭代逼近最优经典算法。
- 适用于金融组合优化等场景，相较传统方法更易找到全局最优解。
本文提出一种基于迭代框架的暖启动量子态制备方法，用于增强量子近似优化算法（QAOA）性能。数值模拟表明，该方法能有效解决标准QAOA中存在的“卡住问题”，使用单字符串暖启动初态时表现显著提升。在3-正则最大割（3-regular MaxCut）问题中，该方法实现更高的逼近比，其下界随迭代过程逐步趋近于p=1时最优经典算法的表现。此外，在离散全局最小方差投资组合（DGMVP）模型中，该方法在识别全局最小值方面展现出更优的缩放特性，优于独立运行的QAOA、单字符串暖启动QAOA及经典约束采样方法。
原文摘要 · Abstract (English)
We provide a method to prepare a warm-started quantum state from measurements with an iterative framework to enhance the quantum approximate optimisation algorithm (QAOA). The numerical simulations show the method can effectively address the "stuck issue" of the standard QAOA using a single-string warm-started initial state described in [Cain et al., 2023]. When applied to the $3$-regular MaxCut problem, our approach achieves an improved approximation ratio, with a lower bound that iteratively converges toward the best classical algorithms for $p=1$ standard QAOA. Additionally, in the context of the discrete global minimal variance portfolio (DGMVP) model, simulations reveal a more favourable scaling of identifying the global minimal compared to the QAOA standalone, the single-string warm-started QAOA and a classical constrained sampling approach.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。