Simulated Radioactive Decay

Обґрунтування складності комбінаторного оптимізації

Комбінаторні задачі оптимізації вимагають знайти найкраще розташування серед великої кількості дискретних можливостей, наприклад, найкращий спосіб розділити вузли мережі на дві групи, щоб максимально зменшити кількість з’єднань (проблема Max-Cut). Проблемою є те, що кількість можливих розташувань зростає експоненціально зі збільшенням розміру задачі, тому перевірка кожного варіанту стає неможливою навіть для помірних вхідних даних. Багато з цих задач класифіковано як NP-складні, тобто жоден відомий класичний алгоритм не може швидко вирішити будь-який екземпляр, змушуючи покладатися на приблизні розв’язки та евристики. Це саме той експоненційний «смітник», де квантові комп’ютери, які можуть одночасно представляти багато можливостей, потенційно можуть запропонувати реажне перевагу.

Альтернативна вартість та шари змішувача

QAOA, представлений Фарі, Голдстон, Гаттманом і Гутманом у 2014 році, кодує кандидатне рішення до оптимізаційної задачі як стан кубітів, потім повторно застосовує дві альтернативні квантові операції. Вартісна унітарна операція застосовує фазові зсуви, які винагороджують конфігурації кубітів, що відповідають хорошим рішенням, а змішувальна унітарна операція поширює амплітуду між конфігураціями, дозволяючи алгоритму досліджувати сусідні рішення. Повторення цього шаблону «вартість-потім-змішувач» для p шарів будує інтерференцію, яка конструктивно підсилює високоякісні рішення та деструктивно скасовує погані. Вимірювання кінцевого стану дає бітстрім, який з достатньою ймовірністю представляє хороше — хоча і не гарантоване оптимальне — рішення до початкової задачі.

Налаштування Кутів у Гібрисному Циклі

Кожен шар QAOA має два регульовані параметри, традиційно названі бета та гамма, які контролюють, наскільки сильно діють операції змішувача та вартості під час цього раунду. Оскільки немає простої формули для найкращих кутів, QAOA працює як гібридний квантово-класичний алгоритм: квантовий комп’ютер готує стан і вимірює середню вартість, а класичний оптимізатор на звичайному комп’ютері коригує кути для покращення цієї вартості. Цей цикл повторюється, з квантовим процесором та класичним оптимізатором обмінюючись інформацією назад і вперед, поступово спрямовуючи кути до значень, які роблять виміряні рішення якнайкращими. Це розділення праці дозволяє QAOA використовувати квантові ефекти для дослідження, спираючись на зрілі класичні методи оптимізації для налаштування.

Реальні Використання та Поточні Обмеження

QAOA найчастіше вивчається на задачах з графами, таких як Max-Cut, і ширше – на будь-якій задачі, яку можна переформулювати як мінімізацію вартості функції над дискретними змінними, включаючи абстрактні версії планування, маршрутизації та портфельних комбінаторних виборів. Це перспективний алгоритм для сучасного обладнання NISQ (шумливі проміжні за масштабом квантові) завдяки використанню відносно неглибоких схем, які можуть толеритувати деякий шум. Однак, QAOA поки що не продемонструвала доведеної квантової переваги над найкращими класичними алгоритмами на будь-якій практично важливій задачі, і її продуктивність сильно залежить від глибини схеми, якості оптимізації кутів та рівнів шуму обладнання, тому це залишається активною та невизначеною областю квантових обчислень.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте QAOA: Quantum Approximate Optimization Algorithm і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.