【标题】Reinforcement Learning Assisted Recursive QAOA

【作者团队】Yash J. Patel, Sofiene Jerbi, Thomas Bäck, Vedran Dunjko

【发表日期】2022.7.13

【论文链接】https://arxiv.org/pdf/2207.06294.pdf

【推荐理由】近年来，量子近似优化算法（QOA）等变分量子算法得到了广泛的应用，因为它们为使用NISQ器件解决困难的组合优化问题提供了希望。然而，众所周知，在深度较低的情况下，QOA的某些局部性约束限制了其性能。为了克服这些局限性，提出了一种非局部QOA变体，即循环QOA（RQOA），以提高近似解的质量。正如处理的NP-hard 问题（特别是 Ising 自旋模型）时，预计 RQAOA 确实会失败，从而提出设计更好的量子算法以进行组合优化的问题。为此，本文识别和分析了RQOA失败的案例，并在此基础上提出了强化学习增强型RQOA变体（RL-RQOA），该变体改进了RQOA。研究表明，RL-RQOA的性能优于RQOA：RL-RQOA在这些识别出的RQOA性能较差的实例上严格优于RQOA，并且在RQOA接近最优的实例上也有类似的表现。并说明了强化学习和量子（启发）优化在设计新的、甚至更好的困难问题启发式中潜在的有益协同作用。

内容中包含的图片若涉及版权问题，请及时与我们联系删除