Diese Studie präsentiert eine rigorose empirische Bewertung des Quantum Approximate Optimization Algorithm (QAOA) innerhalb eines hybriden quanten-klassischen Rahmens zur Lösung des NP-schweren Max-Cut-Problems. Mithilfe von Python- und Qiskit Aer-Statesvektor-Simulationen benchmarken wir QAOA (Tiefen p = 2 und p = 3) gegenüber etablierten klassischen Algorithmen, einschließlich Simulated Annealing, dem Goemans–Williamson-Algorithmus und gierigen Heuristiken, über Erdős–Rényi- und reguläre Graphen mit 4 bis 20 Knoten (je 100 Instanzen pro Größe). Die Ergebnisse zeigen, dass QAOA mit geringer Tiefe unter erheblicher Leistungsverschlechterung leidet und eine Approximationsrate von 0,467 bei 20 Knoten erreicht im Vergleich zu 0,856 für Goemans–Williamson, begleitet von einem 210-fachen Laufzeit-Overhead. Die Konvergenzanalyse zeigt außerdem geringe Optimalitätswahrscheinlichkeiten und hohe Iterationskosten auf, was die Einschränkungen der variationalen Optimierung in der NISQ-Ära hervorhebt. Diese Arbeit stellt einen reproduzierbaren Benchmarking-Rahmen bereit und trägt zu einer realistischen Einschätzung des kurzfristigen quantenmechanischen Vorteils bei.
Ayan Khan (Mi,) untersuchte diese Fragestellung.