Distributed Quantum Approximate Optimization Algorithm on Integrated High-Performance Computing and Quantum Computing Systems for Large-Scale Optimization

量子近似优化算法（QAOA）已经展现出在近期基于门的量子计算系统上提供量子加速解决组合优化问题的潜力。然而，由于高维问题需要大量的量子比特和复杂的深度电路，QAOA在优化变分参数方面面临挑战，这限制了它在实际应用中的可扩展性。在本研究中，我们提出了一种分布式QAOA（DQAOA），它利用了高性能计算-量子计算（HPC-QC）集成系统。DQAOA利用分布式计算策略将大型作业分解为较小的任务，然后在HPC-QC系统上处理。通过聚合DQAOA获得的子解来迭代更新全局解，从而实现收敛到最优解。我们证明了DQAOA可以处理相当大规模的优化问题（例如，1000比特问题），并实现了高精度（约99％）和短的解决时间（约276秒）。为了将这种算法应用于材料科学，我们进一步开发了一个与我们的DQAOA集成的主动学习算法（AL-DQAOA），它涉及机器学习、DQAOA和迭代循环中的主动数据生成。我们成功地使用AL-DQAOA优化了光子结构，表明使用基于门的量子计算解决实际优化问题是可行的。我们预计所提出的DQAOA可适用于广泛的优化问题，而AL-DQAOA可在材料设计中找到更广泛的应用。

研究如何解决高维组合优化问题在量子计算上的可扩展性问题。

提出了一种分布式QAOA算法（DQAOA），利用高性能计算-量子计算（HPC-QC）集成系统，将大型优化问题分解为较小的任务，通过聚合DQAOA获得的子解来迭代更新全局解，从而实现大规模优化问题的处理。

实验结果表明，DQAOA可以处理相当大规模的优化问题（例如1000位问题），实现高准确度（约99%）和短解决时间（约276秒）。此外，还开发了一个集成了机器学习、DQAOA和主动数据生产的主动学习算法（AL-DQAOA），成功地优化了光子结构，表明使用基于门控量子计算的算法解决实际优化问题是可行的。

最近的相关研究包括“Quantum Approximate Optimization Algorithm for Maximum Cut Problem Using a Continuous Quantum Walk”和“Quantum neural networks for supervised and unsupervised machine learning”等。