2401_83053014的博客

图1（来源：Nature 626.7997 (2024): 58-65）图2（来源：Nature 626.7997 (2024): 58-65）图3（来源：Nature 626.7997 (2024): 58-65）图4（来源：Nature 626.7997 (2024): 58-65）图5（来源：Nature 626.7997 (2024): 58-65）欢迎大家订阅“量子计算HiQ”，查看更多论文分享和学术活动信息。图8（来源：arXiv：2402.03211）

布尔可满足性问题(SAT)由多子句合取范式表示，是一类重要的(NP完全问题，在人工智能、图着色、电路分析等领域发挥着重要作用。量子退火是一种很有前途的求解复杂SAT问题的方法，它利用量子纠缠的并行性，将SAT变量嵌入到量子比特中。然而，较长的嵌入时间导致当前基于量子退火的方法在硬件上的实现效率低、可扩展性差。本期分享介绍了HyQSAT，一种将量子退火与经典的3-SAT问题的端到端加速。实验结果表明，HyQSAT算法能够有效支持超出现有问答算法能力的更大规模3-SAT问题，与经典的CDCL算法相比，DWave

量子近似最优化算法（QAOA）被认为是能应用在早期量子计算机上比较有效的算法之一。本文在QAOA的基础上发展了一种利用经典自旋的动力学方程取代QAOA量子演化的新型量子启发式算法——平均场近似优化算法（mean-field AOA）。通过引入基于自旋相干态的路径积分表示并考虑高斯型的量子涨落，对平均场轨迹附件的量子涨落进行了动力学计算，给出了平均场AOA算法的有效性分析。

图表示能非常好的反映对象的属性与对象之间的关系，被广泛的应用在模式识别领域，而图匹配方法，作为实现图高效查询的重要方法之一被广泛的应用于生物信息学，图像分类，计算机网络等等领域。而图编辑距离（Graph Edit Distance，GED）是非常重要的图匹配问题，有良好得到容错率且可以应用于大量的图匹配相关领域之上。由于精确解GED问题的指数难度，越来越多的近似图编辑距离算法希望通过更快的时间来得到尽可能接近精确的图编辑距离。

本次主要介绍两篇文章，第一篇主要关注SCIP中的基本算法、求解框架、设计原则。第二篇主要介绍SCIP在求解MINLP问题中如何处理非线性部分。

Shor算法揭示了通用量子计算机在整数因子分解问题上的高效性，极大的推动了量子计算领域的发展。然而，当前的量子计算机仍在含噪声中规模量子计算机（Noisy-Intermediate-Scale Quantum, NISQ）阶段，尚不能支持实用规模的Shor算法。近日，来自清华大学龙桂鲁教授团队的一篇论文基于密码学泰斗Schnorr的工作在超导量子计算机上分解了48位整数，对NISQ量子计算机破解RSA密码的潜力作乐观估计，引起了学界广泛的讨论和一定的争议。

本次介绍的文章从不同的角度论述了量子神经网络的通用近似定理，即多项式逼近和傅里叶级数逼近，但可以注意到，核心仍然是通过子系统的重复映射，以及联合全局的测量，或纠缠的非局部测量来得到非线性的输出结果。同时，值得注意的是，量子神经网络的发展仍处于起步阶段，量子神经网络的实际应用，以及量子神经网络在解决经典问题以及量子问题上是否具有量子优势，都是需要继续探索的问题。同时，作者提出，可以通过或并行或串行的方式线性地扩展频谱的范围，并且，如果考虑并行的次数和串行的次数一致的话，两者对应的傅里叶级数的频谱是一致的。

而15层的Hardware efficient ansatz在量子资源（这里指双量子比特门的数量）的占用上和conserving ansatz相同，但所需的经典资源（指变分参数的数量乘以收敛所需的优化步数）要多得多。目前已有的激发态制备方案对于量子资源的要求的较高。对于变分量子算法的开发目的是在没有量子纠错的前提下，通过使用相对较短的量子电路来利用量子计算机的计算能力解决对于经典计算机来说较难的问题。因此，在实际应用中，在对称化操作中获得的门操作精简和变分电路的表达性减弱，这两者之间的取舍始终要进行考量。

通常，如果层是完全连接的，则任何给定的两个节点之间的图距离都是常数, 但对于稀疏图来说却不是这样的, 所以visible、hideen和label p-bits的位置就显得格外重要了。论文系统地研究了硬件感知网络拓扑的混合时间，并表明模型的分类精度不受算法的计算可操作性的限制，而是受在本工作中能够使用的中等大小的FPGA的限制。本次会议将介绍基于P-bit的Ising机在训练深度生成式神经网络方面的新应用，使用稀疏、异步和高度并行的Ising机，在混合概率-经典计算设置中训练深度波尔兹曼网络。

其中前者在传统的方法中往往使用需要大量策略的闭环控制或通过对控制噪声的谱进行分析从而进行开环控制，而随着量子比特数的增加，这二者所消耗的资源都会快速增长，从而变得不再实用。该文章给出了强化学习在量子控制上的一个典型的过程，描述了通过强化学习来进行量子门实现的实验过程。谷歌的团队将这些优势应用在量子控制优化问题上，提出适合谷歌量子计算平台的一种兼顾量子门保真度、积累泄露误差、门时间以及控制边界条件的基于强化学习的量子控制算法，可以同时优化量子计算的速度和精准性，用于弥补泄露和随机控制错误带来的问题。

幅度编码中，待训练数据进行归一化之后，以量子态幅度的形式输入到含参量子线路中，使用的比特数量与数据长度为对数关系。块编码中，训练数据作为参数，编码到ansatz的含参量子门中，需要的比特数与数据长度和线路深度相关。ansatz中分为参数层和纠缠层两部分，四种ansatz参数层选取一致，纠缠层分别由CZ、CNOT、两层CNOT、多体系统下的时间演化构建。下，不同的线路深度和ansatz对应的四种数据集的分类表现为下表，Ent1、Ent2、Ent3分别为前面提到三种纠缠线路(a)、(b)、(c)

线路中共有三种作用不同的量子比特，分别编码像素点位置（pixel），像素点颜色（color），还有一个量子比特专门用于输出结果（readout）的测量。两种量子线路都是由XX门或ZZ门组成，每一个门都是双量子比特门，第一个量子比特为编码像素位置的比特，第二个量子比特为编码像素颜色的量子比特或者用于读取输出结果的量子比特。图3. 数字在不同的下采样分辨率下图像。量子神经网络层作用在初态上后，作者在读取比特上进行Z测量，得到经典的结果，并使用hinge loss作为损失函数，使用随机梯度下降法优化层中的参数。

量子计算有望在很多特定任务上提供比经典计算更强的计算能力。然而，含噪量子计算机还不能实现完全容错，这也导致了对当前量子计算实用性的质疑。IBM近期的工作实现了在含噪的127个量子位处理器上的实验，并展示了超越经典计算的能力。这些实验结果得益于大规模超导处理器在相干性和校准方面的进步，以及在如此大设备上表征和控制噪声的能力。在强纠缠状态下，量子计算机提供了正确的结果，而主流的经典近似方法（如MPS和iso TNS）都失效了。这些实验都证明了近期量子计算机在处理实际问题上的能力。

然而与经典机器学习不同的是，在量子计算中，梯度的获取依赖于测量，而测量是一个相对昂贵的计算开销，因此，我们希望通过不依赖梯度的方法来加速VQE算法的学习过程。Koopman Operator加速的过程不只适用于量子机器学习，对一般的迭代法也是适用的。在量子机器学习上做一次梯度下降，需要通过测量来得到相应的数值，代价比做一个真实的机器学习梯度下降的代价要大很多，而Koopman Operator的整个学习过程不需要用到梯度的信息，只用之前的参数序列，所以Koopman Operator的适用性比较强。

本次，将介绍一种新的量子态的表示方法，即Isometric TNS，该方法可以用于描述二维系统的量子态，并且具有计算上的优势；算法，TEBD的主要思路是，利用基于Trotter-Suzuki分解的退火算法，随机初始化的MPS态演化到基态，将该演化过程转换为张量网络收缩问题，并使用TEBD算法求解该收缩。如上图d所示，红色的部分只有内向箭头，因此，这就是TNS的一维“正交超曲面”，该方法的该方法的核心思想是找到一个序列操作来从左到右解开一条链的纠缠，这个序列中每个操作都是局部的并且是与维度N无关的。