Aprendizado por Reforço Quântico Baseado em Hamiltoniano para Otimização Combinatória Neural

Avanços em Computação Quântica (CQ) e Otimização Combinatória Neural (OCN) representam passos promissores na solução de desafios computacionais complexos. Por um lado, Algoritmos Quânticos Variacionais, como o QAOA, podem ser usados para resolver uma ampla gama de problemas de otimização combinatória. Por outro lado, a mesma classe de problemas pode ser resolvida pela OCN, um método que mostrou resultados promissores, particularmente desde a introdução das Redes Neurais Gráficas. Dado os recentes avanços em ambas as áreas de pesquisa, introduzimos o Aprendizado por Reforço Quântico (ARQ) baseado em Hamiltoniano, uma abordagem na interseção de CQ e OCN. Modelamos nossas ansatzes diretamente na formulação Hamiltoniana do problema de otimização combinatória, o que nos permite aplicar nossa abordagem a uma ampla classe de problemas. Nossas ansatzes mostram propriedades de treinabilidade favoráveis quando comparadas às ansatzes eficientes em hardware, além de não estarem limitadas a problemas baseados em grafos, ao contrário de abordagens anteriores. Neste trabalho, avaliamos o desempenho do ARQ baseado em Hamiltoniano em um conjunto diversificado de problemas de otimização combinatória para demonstrar a ampla aplicabilidade de nossa abordagem e compará-la ao QAOA.