《文献阅读》- 遗传算法作为量子近似优化算法的经典优化器(未完成)

文章目录

  • 标题
  • 摘要
  • 关键词
  • 结论
  • 研究背景
    • 1.介绍
  • 研究内容、成果
    • 3. 量子近似优化算法:基本概念及应用
  • 常用基础理论知识
    • 2.相关工作
    • 酉矩阵
  • 潜在研究点
  • 文献链接

标题

Genetic algorithms as classical optimizer for the Quantum Approximate Optimization Algorithm

参考引用:
Acampora G, Chiatto A, Vitiello A. Genetic algorithms as classical optimizer for the Quantum Approximate Optimization Algorithm[J]. Applied Soft Computing, 2023, 142: 110296.

文献链接

摘要

优化是量子计算可以带来显着优势的研究领域之一。在这种情况下,混合量子经典变分算法,即量子近似优化算法(QAOA),因其有效解决组合优化问题的潜力而受到广泛关注。这种方法的工作原理是使用经典优化器来识别问题相关量子电路的适当参数,最终执行优化过程。不幸的是,学习最合适的 QAOA 电路参数是一项复杂的任务,受到多个问题的影响,例如以许多局部最优为特征的搜索环境。此外,在这种情况下开创的基于梯度的优化器往往会浪费量子计算资源。因此,无梯度方法正在成为解决此参数设置任务的有前途的方法。所提出的进化方法已在解决噪声量子设备上具有 5 至 9 个节点的图的 MaxCut 问题时进行了评估。结果表明,所提出的遗传算法通过实现具有更好近似率的解决方案,在统计上优于最先进的无梯度优化器。

关键词

遗传算法 量子近似优化算法 量子计算 量子优化算法

结论

研究背景

1.介绍

1981 年,诺贝尔奖获得者理查德·费曼 (Richard Feynman) 假设基于量子原理的计算将在解决经典计算机难以解决的问题方面带来显着优势 [1]。 1985 年,当 David Deutsch 引入通用量子计算机的概念时,这一假设得到了完善,通用量子计算机是一种能够完美模拟每个有限的、可实现的物理系统的理论机器 [2]。 从那时起,在量子器件的开发和量子算法的设计方面都取得了许多成就,与经典算法相比,性能得到了提高。特别是,从第一个角度来看,IBM、谷歌等大公司都在设计和开发真正的量子设备。具体来说,当前的量子计算机基于所谓的噪声中尺度量子(NISQ)技术[3],其中设备配备了50-100个量子位(即量子信息的基本单位),这超出了我们的能力范围。由现有最强大的经典超级计算机通过强力模拟,尽管它们仍然具有对这些量子位的不完美控制的特征(因此术语“噪声”被解释)[4]。从算法的角度来看,非常著名的 Shor 算法和 Grover 算法已经成功地实现了相对于经典算法的量子优势:前者在多项式时间内找到整数的素因数;后者在多项式时间内找到整数的质因数。后者致力于在 O(√N) 时间内搜索非结构化数据,其中 N 是条目数,而执行相同操作的最佳经典算法的复杂度是 O(N) [5]。这些算法的成功来自于量子计算固有的大规模并行性,主要基于叠加和纠缠的概念。量子计算的并行性也可以为优化研究领域带来显着的好处。特别是在这种背景下,量子近似优化算法(QAOA)因其有效解决组合优化问题的潜力而受到广泛关注。事实上,自从引入以来,QAOA 已被应用于几个不同的问题,例如尾部分配问题 [6] 和最大 k 着色问题 [7]。具体来说,QAOA 属于变分量子算法的范畴,因为它遵循混合经典量子方案。准确地说,量子计算机用于运行以自由实数参数为特征的量子电路,计算优化问题的解,而经典计算机用于找到这些参数的最优值。通常,为了实现此目标,需要使用经典优化器。一般来说,这使用迭代方法,从猜测最佳参数开始。然后,在每次迭代中,量子电路使用参数的当前值运行以获得优化过程的结果,并通过成本函数评估该结果以相应地更新量子电路参数,直到达到终止标准,例如达到迭代次数。

不幸的是,由于几个问题,优化 QAOA 量子电路参数的任务可能很困难。特别是,最近的研究表明,QAOA 中的搜索景观是非凸的,并且包含许多局部极小值 [8]。此外,如上所述,QAOA量子电路的优化过程利用了量子计算机,这是一种不应该浪费的资源。因此,当经典优化器对量子设备执行少量调用时,它是好的。用于 QAOA 的第一个经典优化器是基于梯度的方法,因为它们在经典学习方法中取得了成功。然而,基于梯度的方法往往会陷入局部最小值,并多次调用量子设备来计算成本函数的导数。因此,应用无梯度方法的想法正在出现,该方法由不依赖成本函数导数的优化方法组成。正如 Fernández-Pendás 等人的工作中所报告的,应用无梯度优化器的首次尝试是有希望的。 [9],但是找到一个好的经典优化器来保证 QAOA 的良好性能仍然是一个悬而未决的问题。

从这些考虑出发,本文首次提出将进化方法,特别是遗传算法应用于优化 QAOA 参数化量子电路的任务。所提出的遗传算法遵循配备精英主义的标准结构。所提出的遗传算法所解决的优化问题的解代表了 QAOA 电路的真实参数集。该方法的适用性在一次实验中得到了证明,该实验涉及应用所提出的进化方法来优化 QAOA 量子电路,该电路致力于通过考虑具有 5 至 9 个节点的图实例来解决 MaxCut 问题。这些实验是在有噪声的量子处理器上进行的,以展示所提出的方法在真实的不理想场景中的性能。结果表明,所提出的遗传算法在统计上优于最先进的无梯度方法,在优化领域的众所周知的度量(即近似比)方面获得了更好的解决方案。

论文的其余部分如下。第 2 节描述了用于学习 QAOA 参数的经典优化器的最新技术。第 3 节介绍了 QAOA 以及有助于理解量子计算的基本概念。该手稿的核心是对设计的遗传算法的描述,该算法用作 QAOA 的经典优化器,并在第 4 节中进行了报告。在第 6 节中得出结论之前,为显示所提出的方法的优点而进行的实验在第 5 节。

研究内容、成果

3. 量子近似优化算法:基本概念及应用

量子近似优化算法(QAOA)是一种混合经典量子算法,结合了量子电路和这些电路的经典优化[12]。QAOA的目标是解决组合优化问题,实际上,QAOA应用的典型问题就是所谓的MaxCut。本节致力于描述 QAOA 以及理解它所需的量子计算的基本概念。此外,本节还讨论了 MaxCut 问题,以了解 QAOA 如何应用于组合优化问题。

3.1.量子计算的基本概念
正如经典计算机使用电线和逻辑门来实现经典算法一样,基于电路的量子计算模型也使用电线和量子可逆门来模拟量子算法并操纵编码为量子位(qubit)的量子信息。

从数学上讲,量子位的一般状态用 Bra-ket 表示法或狄拉克表示法 [31] 表示,如下所示:
在这里插入图片描述
其中 α1 和 α2 是复数,称为振幅,逻辑状态 |0⟩ 和 |1⟩ 是构成计算基础的正交向量。这种逻辑状态的线性组合(称为叠加)在执行测量时会崩溃:
具体来说,当测量量子位时,幅度的平方模代表 |q0 ⟩ 在相应的经典逻辑状态下崩溃的概率。由于概率守恒,量子位状态 |q0 ⟩ 必须进行归一化,即 |α1|2 + |α2 |2 = 1。

类似地,n个量子位寄存器的一般量子态 |qn ⟩ 是 2n 个基态的线性叠加,如下:
在这里插入图片描述
其归一化条件为: 在这里插入图片描述

在这个多量子位系统中,|αi|2,其中 i = 1,… , 2n 是当寄存器的所有量子位都被测量时 |qn ⟩ 崩溃为第 i 个 n 位串的概率。

如上所述,量子门允许我们在 n 量子位寄存器上执行操作。具体来说,量子门是对量子位线性作用的酉算子 U,如下所示:
在这里插入图片描述

因此,表示量子门的一种便捷方法是使用酉矩阵,通过与量子态向量相乘来变换量子态。就像在经典情况下一样,量子逻辑运算可以在一个或多个量子位上执行,分别称为单量子位门和多量子位门。准确地说,作用于 n 个量子位的量子门由 2n × 2n 酉矩阵表示。在许多可用的量子门中,本节仅描述那些对 QAOA 设计有用的量子门。首先,Hadamard 门 H 是一个单量子位门,当它作用于每个单一计算基础时,它允许创建 |0⟩ 和 |1⟩ 的叠加。形式上,与 Hadamard 门相关的酉矩阵如下:在这里插入图片描述

例如,通过考虑量子态 |0⟩,哈达玛门的应用会产生以下新的量子态 |q′⟩:
在这里插入图片描述

常用基础理论知识

2.相关工作

在文献中,用于训练 QAOA 的经典优化器属于两类:基于梯度的方法和无梯度方法。基于梯度的方法首先在文献[10-12]中进行了研究,因为它们成功应用于深度学习模型的训练,其训练方案类似于变分模型。具体来说,基于梯度的方法需要在优化过程中评估量子处理器上的成本函数梯度,因此为此目的设计了一些协议。除了朴素有限差分方案之外,参数移位规则还提供了通过在存在指定门的情况下执行两个不同电路来评估解析梯度的机会[13]。 分析梯度也可以通过使用具有单个电路和附加辅助量子位 [15] 的 Hadamard 测试 [14] 来评估。因此,当使用基于梯度的技术时,需要在查询、量子位和操作的数量方面付出更多的努力和利用量子资源来实现这些协议,这些协议提取要在所有优化过程中使用的梯度信息。从这个考虑出发,这些方法不适合当前量子计算机,属于所谓的噪声中尺度量子(NISQ)时代,其中量子比特的数量是有限的。因此,第二类方法,即无梯度方法,正在出现,用于训练 QAOA [16] 和一般的量子变分电路 [17]。准确地说,在文献中,无梯度方法,例如线性逼近约束优化(COBYLA)[18]、Nelder–Mead [19]、修正鲍威尔方法[20]和同时扰动随机逼近(SPSA)[21]已经被采用应用于训练 QAOA [9],因此,它们代表了 QAOA 无梯度优化器的最新技术。无梯度技术的好处是它需要使用更少的量子资源。事实上,它充当一个黑匣子,仅需要作为量子处理器的输出获得的成本函数的值作为输入。

此外,最近的研究表明,QAOA 中的成本函数景观是非凸的,具有许多局部极小值 [8]。这使得最优解的搜索变得复杂,特别是对于可能陷入局部最小值的基于梯度的方法。此外,在扩展这些近期架构时,成本函数景观中所谓的贫瘠高原可能会限制 QAOA 的可训练性 [22]。准确地说,随着涉及的量子位数量的增加,成本函数的梯度呈指数消失[23,24]:这意味着在大规模应用中成本函数景观变得更加平坦,使得寻找最优解决方案变得更加困难。由于这些原因,找到一个好的经典优化器来保证 QAOA 的良好性能仍然是一个悬而未决的问题。

在本文中,我们建议首次应用遗传算法作为无梯度方法来解决训练 QAOA 的这一艰巨任务。我们的建议得到了以下事实的支持:在机器学习和化学等变分量子算法的某些应用中,进化算法已被认为是替代的无梯度方法。特别是,在机器学习的背景下,遗传算法已应用于训练量子分类器[25],并定义一组允许的门和量子自动编码器使用的最大数量[26,27]。在化学中,变分量子算法通常用于通过定义适当的参数化量子电路(所谓的 ansatz)来查找分子的基态能量 [28],该电路能够近似相应分子的基态。在这种情况下,协方差矩阵适应进化策略已被用作[29,30]中的经典优化器。正如我们的实验结果所示,相对于已经应用于优化 QAOA 电路参数的最先进的无梯度方法,所提出的遗传算法本身是训练 QAOA 的良好解决方案。

酉矩阵

1.酉矩阵(unitary matrix)若n阶复数矩阵A满足

AHA=AAH=E

则称A为酉矩阵,记之为AϵUN*N。其中,AH是A的共轭转置。

2.性质

如果A是酉矩阵

1.A-1=AH

2.A-1也是酉矩阵;

3.det(A)=1;行列式determinant,方阵所对应的行列式

充分条件是它的n个列向量是两两正交的单位向量。两两正交意味着互相垂直乘积和为0

潜在研究点

文献链接

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/163565.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

linux进阶(脚本编程/软件安装/进程进阶/系统相关)

一般市第二种,以bash进程执行 shelle脚本编程 env环境变量 set查看所有变量 read设置变量值 echo用于控制台输出 类似java中的sout declear/typeset声明类型 范例 test用于测试表达式 if/else case while for 函数 脚本示例 软件安装及进阶 fork函数(复制一个进程(开启一个进…

XMLHttpRequest的readyState状态值

readyState状态值 功能:在Ajax请求与服务器响应中,是通过XMLHttpRequest对象完成。而readyState状态值则是记录XMLHttpRequest对象在这个过程进行变化的状态。 readyState状态值readyState分别有5个状态值 0:请求未初始化:在未点击…

Python爬虫基础之Selenium详解

目录 1. Selenium简介2. 为什么使用Selenium?3. Selenium的安装4. Selenium的使用5. Selenium的元素定位6. Selenium的交互7. Chrome handless参考文献 原文地址:https://program-park.top/2023/10/16/reptile_3/ 本文章中所有内容仅供学习交流使用&…

【LeetCode刷题(数据结构与算法)】:合并两个有序链表

将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的 **思路:定义一个头尾指针置为NULL while循环依次比较两个链表的值的大小 遍历链表 比较完数值大小过后连接到tail的尾部 然后各自的链表的节点的next指针指向下一…

数字秒表VHDL实验箱精度毫秒可回看,视频/代码

名称:数字秒表VHDL精度毫秒可回看 软件:Quartus 语言:VHDL 代码功能: 数字秒表的VHDL设计,可以显示秒和毫秒。可以启动、停止、复位。要求可以存储6组时间,可以回看存储的时间 本资源内含2个工程文件&am…

【AIGC核心技术剖析】Hotshot-XL 一种 AI 文本转 GIF 模型(论文 + 代码:经过训练可与Stable Diffusion XL一起使用)

Hotshot-XL 是一种 AI 文本转 GIF 模型,经过训练可与Stable Diffusion XL一起使用。 Hotshot-XL 可以使用任何经过微调的 SDXL 模型生成 GIF。这意味着两件事: 您将能够使用您可能想要使用的任何现有或新微调的 SDXL 模型制作 GIF。 如果您想制作个性化主题的 GIF,您可以…

【AIGC核心技术剖析】改进视频修复的传播和变压器(动态滤除环境中的物体)

基于流的传播和时空变压器是视频修复(VI)中的两种主流机制。尽管这些组件有效,但它们仍然受到一些影响其性能的限制。以前基于传播的方法在图像域或特征域中单独执行。与学习隔离的全局图像传播可能会由于光流不准确而导致空间错位。此外&…

2023_Spark_实验十八:安装FinalShell

下载安装包 链接:https://pan.baidu.com/s/14cOJDcezzuwUYowPsOA-sg?pwd6htc 提取码:6htc 下载文件名称:FinalShell.zip 二、安装 三、启动FinalShell 四、连接远程 linux 服务器 先确保linux系统已经开启,不然连接不上 左边…

华为eNSP配置专题-VRRP的配置

文章目录 华为eNSP配置专题-VRRP的配置0、参考文档1、前置环境1.1、宿主机1.2、eNSP模拟器 2、基本环境搭建2.1、基本终端构成和连接 2.VRRP的配置2.1、PC1的配置2.2、接入交换机acsw的配置2.3、核心交换机coresw1的配置2.4、核心交换机coresw2的配置2.5、配置VRRP2.6、配置出口…

Windows10 Docker 安装教程

Docker Desktop是什么? Docker Desktop是适用于Windows的Docker桌面,是Docker设计用于在Windows 10上运行。它是一个本地 Windows 应用程序,为构建、交付和运行dockerized应用程序提供易于使用的开发环境。Docker Desktop for Windows 使用 …

解决方案|智能制造升级,汽车行业借力法大大电子签进入“快车道”

《“十四五”智能制造发展规划》明确智能制造是制造强国建设的主攻方向,其发展程度直接关乎我国制造业质量水平。发展智能制造对于巩固实体经济根基、建成现代化产业体系、实现新型工业化具有重要作用。 规划明确指出要深入实施智能制造工程,着力提升创…

HBase基础

HBase基础 参考 https://www.bilibili.com/video/BV1bC4y1b7Q1 HBase 简介 定义 HBase是一种分布式、可扩展、支持海量数据存储的NoSQL数据库(k-v)。 数据量越大,优势越明显;数据量小,比较消耗内存,耗资源;数据量大…

【数之道 05】走进神经网络模型、机器学习的世界

神经网络 神经网络(ANN)神经网络基础激活函数 神经网络如何通过训练提高预测准确度逆向参数调整法 (BackPropagation)梯度下降法链式法则增加一层 b站视频连接 神经网络(ANN) 最简单的例子,视…

vue重修【005】自定义路由、插槽

文章目录 版权声明自定义指令指令初识指令中配置项指令语法指令值v-loading指令的封装分析实现 插槽默认插槽插槽默认值具名插槽作用域插槽使用步骤完整案例 版权声明 本博客的内容基于我个人学习黑马程序员课程的学习笔记整理而成。我特此声明,所有版权属于黑马程…

【系统与工具】系统环境——VMware安装系统

文章目录 0.1 安装VMware0.2 下载ubuntu镜像0.3 创建系统实例0.4 安装ubuntu0.5 实例配置项0.5.1 安装VMware tools0.5.2 修改静态IP0.5.3 ssh连接 0.6 克隆0.6.1 克隆实例生成MAC地址 0.6.2 修改静态ip0.6.3 修改主机密码名称 参考:https://blog.csdn.net/m0_51913…

Lua快速入门教程

文章目录 1、Linux安装Lua2、语法练习2.1、变量2.2、循环2.3、函数2.4、数组2.5、迭代器2.6、Table操作2.7、Lua 模块与包2.8、加载机制2.9、Lua 元表(Metatable) 3、Lua 协同程序(coroutine)4、文件IO操作4.1、简单模式4.2、完全模式 5、错误处理 内容来源菜鸟教程&#xff0c…

GO 语言的方法??

GO 中的方法是什么? 前面我们有分享到 GO 语言的函数,他是一等公民,那么 GO 语言中的方法和函数有什么区别呢? GO 语言中的方法实际上和函数是类似的,只不过在函数的基础上多了一个参数,这个参数在 GO 语…

AAOS CarMediaService 服务框架

文章目录 前言MediaSessionCarMediaService作用是什么?提供了哪些接口?如何使用?CarMediaService的实现总结 前言 CarMediaService 是AAOS中统一管理媒体播放控制、信息显示和用户交互等功能的服务。这一服务依赖于android MediaSession框架…

Redis入门到实战(四、原理篇)RESP协议

目录 2、Redis内存回收-过期key处理3、Redis内存回收-内存淘汰策略 Redis是一个CS架构的软件,通信一般分两步(不包括pipeline和PubSub): 客户端(client)向服务端(server)发送一条命令…

linux常见命令-文件目录类

9.4 文件目录类 (1)pwd 指令:显示当前工作目录的绝对路径 (2)Is指令:查看当前目录的所有内容信息 基本语法: ls [选项,可选多个] [目录或是文件] 常用选项:-a:显示当前目录所有的文件和目录,包括隐藏的…