Investigating layer-selective transfer learning of QAOA parameters for Max-Cut problem

要約

量子近似最適化アルゴリズム (QAOA) は、ノイズの多い中間スケール量子 (NISQ) プロセッサーに最適な変分量子アルゴリズム (VQA) であり、組み合わせ最適化問題 (COP) の解決に非常に成功しています。
COP の 1 つのインスタンスから得られた最適な変分パラメータを別のインスタンスに転送して、後者にとって十分に満足のいく解決策を生成できることが観察されています。
これに関連して、ソリューションをさらに改善するための適切な方法は、転送されたパラメーターのサブセットを微調整することです。
パラメータ転送後の Max-Cut 問題の近似解を改善する際の、個々の QAOA 層の最適化の役割を数値的に調査します。
また、転送された QAOA パラメーターを最適化する際に、適切な近似と必要な最適化時間との間のトレードオフも調査します。
これらの研究は、レイヤーのサブセットを最適化すると、すべてのレイヤーを最適化する場合と比較して、より低い時間コストでより効果的な可能性があることを示しています。

要約(オリジナル)

Quantum approximate optimization algorithm (QAOA) is a variational quantum algorithm (VQA) ideal for noisy intermediate-scale quantum (NISQ) processors, and is highly successful for solving combinatorial optimization problems (COPs). It has been observed that the optimal variational parameters obtained from one instance of a COP can be transferred to another instance, producing sufficiently satisfactory solutions for the latter. In this context, a suitable method for further improving the solution is to fine-tune a subset of the transferred parameters. We numerically explore the role of optimizing individual QAOA layers in improving the approximate solution of the Max-Cut problem after parameter transfer. We also investigate the trade-off between a good approximation and the required optimization time when optimizing transferred QAOA parameters. These studies show that optimizing a subset of layers can be more effective at a lower time-cost compared to optimizing all layers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google