前言
本文还是大部分截图来自于:《最適化問題とWildqatを用いた量子アニーリング計算入門》 https://booth.pm/ja/items/1415833
终于有人问到怎么将QUBO中的三次多项式转换为二次多项式了。直接以一个例题开始讲解。中间会用到之前文章里的知识,大家最好读了该系列前两篇之后,再阅读此文。
一、三次多项式的例题
问题:通过量子退火算法求解令下面
H
H
H最小化的
x
1
,
x
2
,
x
3
x_1,x_2,x_3
x1,x2,x3值。
下面讲解如何导出对应的QUBO矩阵。
Step1. 变量替换。
首先,把两个变量的乘积用一个变量替代,这里用 x 4 x_4 x4替代 x 2 x 3 x_2x_3 x2x3。
因为我们使用了上面的变量替换,所以我们要满足以下约束:
Step2. 加入约束项。
上面的约束对应的约束项
H
′
H'
H′如下👇,由
x
2
,
x
3
,
x
4
x_2,x_3,x_4
x2,x3,x4能构成的二次多项式构成。
这里补充一句,在本系列第二篇中,直接给大家列出了常见约束的H表达式,这次我们需要手动推导。大家从头到尾,要谨记一句话:
【我们最终的目标是令目标 H H H最小化的同时,满足约束。所以,约束 H ′ H' H′代入令目标 H H H最小化的变量 x 2 , x 3 , x 4 x_2,x_3,x_4 x2,x3,x4具体值时,也是最小化的。】
于是,接下来所有的变换都是为了寻找 H ′ H' H′的适当的系数(a, b, c, d, e, f)。本系列第二篇中每个常见约束的求解,都经历了寻找对应系数的过程。
Step3. 寻找合适的约束项系数。
我们可以这么想,通过合适的系数(a, b, c, d, e, f),使得 x 2 , x 3 , x 4 x_2,x_3,x_4 x2,x3,x4满足式(2)时,令 H ′ = 0 H'=0 H′=0;不满足式(2)时, H ′ > 0 H'>0 H′>0。那就这么约定了。
-
x
2
x
3
=
x
4
x_2x_3=x_4
x2x3=x4时,如我们约定好的,令
H
′
=
0
H'=0
H′=0,整理如下表:
这时,上表中的 x 2 , x 3 , x 4 x_2,x_3,x_4 x2,x3,x4按行代入式(4)后,对应的只包含系数(a, b, c, d, e, f)的等式如下:
-
x
2
x
3
≠
x
4
x_2x_3≠x_4
x2x3=x4时,如我们约定好的,令
H
′
>
0
H'>0
H′>0,整理入下表:
这个时候, ( k 1 , k 2 , k 3 , k 4 ) (k_1,k_2,k_3,k_4) (k1,k2,k3,k4)都是比0大的常量。在a=b=0的前提下,把上表中的所有指按行代入式(4)后,得到等式如下:
接下来,我们要寻找合适的
(
k
1
,
k
2
,
k
3
,
k
4
)
(k_1,k_2,k_3,k_4)
(k1,k2,k3,k4),比如下面的两组赋值都不行❌。
于是我们找了很久,终于发现
(
k
1
,
k
2
,
k
3
,
k
4
)
(k_1,k_2,k_3,k_4)
(k1,k2,k3,k4)如下👇取值时,满足约束。
Step4. 获得确定系数的约束项 H ′ H' H′。
把已经确定的(a, b, c, d, e, f)和 ( k 1 , k 2 , k 3 , k 4 ) (k_1,k_2,k_3,k_4) (k1,k2,k3,k4)代入式(4)就行了。得到最终的 H ′ H' H′如下:
Step5. 获得最终的二次多项式
H
H
H。
这里就不必多说了,别忘了还有个
λ
\lambda
λ 系数,需要手动指定。
我们把
λ
\lambda
λ =1,代入上式,得到下面最终的QUBO矩阵。
二、Python实现
1.引入库
import wildqat as wq
import numpy as np
H_A = np.array([
[1,0,0,-1],
[0,0,0,0],
[0,0,0,0],
[0,0,0,0]])
H_A = np.array([
[0,0,0,0],
[0,0,1,-2],
[0,0,0,-2],
[0,0,0,3]])
k, l = 1, 1
a = wq.opt()
a.qubo = k * H_A + l * H_B
for i in range(5):
print("x = {}".format(a.sa()))
print("H = {}".format(a.E(-1)))
结果打印如下,有兴趣的可以看看,取值是否满足约束。
总结
提示:写的比较匆忙,可能有很多错误,大家发现了留言告诉我:
还是挺麻烦的,不过不难理解,是可以写程序自动化的,这也是为什么我们需要pyqubo这中自动化转换QUBO的程序。