MLQAOA: Graph Learning Accelerated Hybrid Quantum-Classical Multilevel QAOA

学习多层次的问题结构，以指导基于分解的混合量子-经典组合优化求解器，是一种扩展变分方法的有前途的方法。我们引入了一种多级算法，加强了基于谱图表示学习的加速器，以解决大规模图最大割问题，并融合了多个版本的量子近似优化算法（QAOA）和启发式算法。图形表示学习模型利用了QAOA变分参数集中的思想，并显着提高了QAOA的性能。我们通过在更短的时间内实现高质量的解决方案，展示了在非常大的图形上使用多级QAOA和表示学习方法的潜力。\\可重复性：我们的源代码和结果可在\url{https://github.com/bachbao/MLQAOA}上获得。

多级QAOA和表示学习的方法用于解决大规模图最大割问题。

使用多级算法和表示学习模型改进QAOA算法的性能，加速求解大规模图最大割问题。

论文使用多级QAOA和表示学习的方法解决大规模图最大割问题，实验结果表明该方法在速度和质量方面都有较大提升。论文开源代码和结果，可供复现和参考。

最近相关研究包括： 1. Scalable Quantum Approximate Optimization of Non-Planar Graph Problems 2. Quantum Approximate Optimization Algorithm for Max-Cut: A Fermionic View