संक्षेप परिवर्तनशील क्वांटम एल्गोरिदम, और विशेष रूप से परिवर्तनशील क्वांटम आइजेंगसोल्वर के विभिन्न रूप, संयोजक अनुकूलन (CO) समस्याओं के लिए दृष्टिकोण के रूप में प्रस्तावित किए गए हैं। केवल उथली एंसेट्स सर्किटों के साथ, इन विधियों को वर्तमान शोर वाले मध्य-स्तरीय क्वांटम हार्डवेयर के लिए उपयुक्त माना जाता है। फिर भी, परिवर्तनशील सर्किटों को प्रशिक्षित करने के लिए आवश्यक संसाधन अक्सर समस्या के आकार के साथ सुपरपॉलीनॉमियल रूप से स्केल होते हैं। इस अध्ययन में, हम CO समस्याओं के लिए इस स्केलिंग के व्यावहारिक परिणामों की गणना करते हैं, मैक्स-कट और यादृच्छिक क्यूबो उदाहरणों का बेंचमार्क के रूप में उपयोग करते हुए। एक निश्चित गणनात्मक बजट के लिए, हम उथले परिवर्तनशील सर्किटों का प्रशिक्षण, प्रतिस्थापन के साथampling, और लोभनीय स्थानीय खोज की औसत प्रदर्शन की तुलना करते हैं। हम न्यूनतम समस्या के आकार की पहचान करते हैं जहाँ क्वांटम एल्गोरिदम लगातार यादृच्छिक सैंपलिंग से बेहतर प्रदर्शन करते हैं, और प्रत्येक आकार के लिए, हम उनकी लोभनीय स्थानीय खोज से अलगाव का वर्णन करते हैं। औसत-केस प्रदर्शन के परे, हम व्यक्तिगत समस्या उदाहरणों के बीच एल्गोरिदम के बीच सहसंबंधों का विश्लेषण करते हैं। ये परिणाम वास्तविक संसाधनों की सीमाओं के तहत CO समस्याओं के लिए परिवर्तनशील क्वांटम एल्गोरिदम के सरल लेकिन अर्थपूर्ण बेंचमार्क के मामले को मजबूत करते हैं।
Schwägerl et al. (मंगलवार,) ने इस प्रश्न का अध्ययन किया।