Learning to Learn with Quantum Optimization via Quantum Neural Networks

要約

Quantum Amproximate Optimization Algorithms（QAOA）は、浅い深さの量子回路を活用することにより、古典的に扱いやすい組み合わせ最適化問題に対する効率的なソリューションを約束します。
しかし、それらのパフォーマンスとスケーラビリティは、しばしば効果的なパラメーターの最適化にかかっています。これは、頑丈なエネルギー景観とハードウェアノイズのために自明ではありません。
この作業では、量子ニューラルネットワーク、特に量子の長期記憶（QLSTM）アーキテクチャをQAOAと組み合わせた量子メタラーニングフレームワークを紹介します。
小規模なグラフインスタンスでQLSTMオプティマイザーをトレーニングすることにより、私たちのアプローチは、より大きく複雑な問題に急速に一般的になり、収束に必要な反復の数を大幅に減らします。
Max-CutおよびSherrington-Kirkpatrickモデルインスタンスの包括的なベンチマークを通じて、QLSTMベースのオプティマイザーがより速く収束し、古典的なベースラインと比較してより高い近似比を達成することを実証し、それによってNISQ時代のスケーラブルな量子最適化への堅牢な経路を提供します。

要約(オリジナル)

Quantum Approximate Optimization Algorithms (QAOA) promise efficient solutions to classically intractable combinatorial optimization problems by harnessing shallow-depth quantum circuits. Yet, their performance and scalability often hinge on effective parameter optimization, which remains nontrivial due to rugged energy landscapes and hardware noise. In this work, we introduce a quantum meta-learning framework that combines quantum neural networks, specifically Quantum Long Short-Term Memory (QLSTM) architectures, with QAOA. By training the QLSTM optimizer on smaller graph instances, our approach rapidly generalizes to larger, more complex problems, substantially reducing the number of iterations required for convergence. Through comprehensive benchmarks on Max-Cut and Sherrington-Kirkpatrick model instances, we demonstrate that QLSTM-based optimizers converge faster and achieve higher approximation ratios compared to classical baselines, thereby offering a robust pathway toward scalable quantum optimization in the NISQ era.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google