QAOA如何在NISQ处理器中展示应用级量子优势？

（图片来源：网络）

 

摘要：量子近似优化算法（QAOA）是一种变分量子算法，旨在为组合优化问题提供次优解决方案。人们普遍认为，QAOA 有潜力在浅层电路的中等噪声规模量子 (NISQ) 处理器中展示应用级量子优势。由于 QAOA 的核心问题是计算目标哈密顿量期望值，在一般的浅层量子电路上，能否找到一种求解量子期望值的有效经典算法以便快速获取最佳变分参数对于在NISQ硬件上展示潜在的量子优势至关重要。

北京量子信息科学研究院（以下简称“北京量子院”）的科研团队提出了一种基于图分解的新型经典算法，该算法可以在除完全图情况外的大多数优化问题中，对浅层QAOA电路实行量子均值的高效经典计算。北京量子院科研团队在论文中论述，“与最先进的方法相比，该算法对Max-cut、图着色和SK（Sherrington-Kirkpatrick ）模型问题的数值测试实现了数量级的性能改进。我们的研究结果不仅对探索 QAOA 的量子优势很重要，而且对 NISQ 处理器的性能基准测试也将非常有帮助。”

量子计算技术在过去几十年里的快速发展吸引了学术界和工业界的广泛关注。

 

2021年，IBM在美国量子峰会上宣布其127 量子比特计算芯片“Eagle（老鹰）”。问世之后，在其苏黎世研究中心举行的量子计算活动上，又公布了要实现万分之一错误率的高保真量子系统研发计划。

同年，祖冲之2.1宣布采样任务的经典模拟复杂度比谷歌“悬铃木”高6个数量级，比祖冲之2.0高3个数量级。而且祖冲之2.1在4.2小时内完成的60量子比特、24层循环的随机电路采样任务，将花费Summit超级计算机4.8万年的时间来模拟。【1-2】

 

这些工作无疑表明，我们已经进入了中等噪声规模量子 (NISQ) 时代【3】。在这个时代，量子处理器包含大约50至数百个噪声量子比特，但是受噪声影响量子逻辑门操作的错误率较大，这导致可以有效执行的线路深度极其受限，因而如何有效的使用 NISQ 芯片并在某些应用中展示量子优势成为目前最为紧迫和重要的问题。

 

变分量子算法（VQA）

变分量子算法（VQA），包括用于量子化学求解的变分量子本征求解算法VQE、用于机器学习的量子神经网络算法QNN，以及求解组合优化问题的量子近似优化算法（QAOA）。