Red-QAOA: Effiziente variationale Optimierung durch Schaltkreisreduktion

Der Quantum Approximate Optimization Algorithm (QAOA) richtet sich an Herausforderungen der kombinatorischen Optimierung, indem er Eingaben in Graphen umwandelt. Allerdings wird der Prozess der optimalen Parametersuche für QAOA stark von Rauschen beeinflusst. Größere Probleme führen zu größeren Graphen, die mehr Qubits erfordern und deren Ergebnisse stark raussensitiv sind. Dieses Papier stellt Red-QAOA vor, das die Konzentration der Energielandschaft mithilfe einer graphbasierten Reduktion durch simuliertes Tempern nutzt. Red-QAOA erstellt einen kleineren (destillierten) Graphen mit fast identischen Parametern zum Originalgraphen. Der destillierte Graph erzeugt einen kleineren Quanten-Schaltkreis und verringert somit die Rauschwirkung. Am Ende der Optimierung verwendet Red-QAOA die Parameter des destillierten Graphen auf dem Originalgraphen und setzt die Parametersuche auf dem Originalgraphen fort. Red-QAOA übertrifft die neuesten, auf Graph Neural Networks (GNN) basierenden Pooling-Techniken bei 3200 realen Problemen. Red-QAOA reduzierte die Knoten- und Kantenanzahl um 28% bzw. 37% mit einem mittleren quadratischen Fehler von nur 2%.