摘要
量子近似优化算法（QAOA）是一种混合量子-经典算法，用于解决组合优化问题。QAOA将解决方案编码到哈密顿量的基态中，使用由问题和混合哈密顿量组成的 $p$ 级参数化量子电路进行近似，参数通过经典方法进行优化。尽管更深的QAOA电路可以提供更高的精度，但由于复杂的参数优化和物理限制（如门噪声、受限的量子比特连接性以及状态准备和测量误差），实际应用受到限制，使得实现仅限于较浅的深度。
本研究集中于QAOA$_1$（$p=1$ 时的 QAOA），适用于表示为 Ising 模型的 QUBO 问题。尽管QAOA$_1$只有两个参数 $(\eta, \eta)$，但我们表明其优化具有挑战性，因为其具有高度振荡的地形，振荡频率随着问题规模、密度和权重的增加而增加。这种行为需要高分辨率网格搜索，以避免由于失真代价地形而导致的错误最小值。
我们提出了一种高效的优化策略，将二维 $(\eta, \eta)$ 搜索简化为对 $\eta$ 的一维搜索，$\eta^*$ 通过解析计算。我们确立了准确映射 $\eta$ 地形所需的最大允许采样周期，并提供了一种在多项式时间内估计最优参数的算法。此外，我们严格证明，对于规则图而言，全球最优的 $\eta^* \in \mathbb{R}^+$ 值集中在接近零的地方，并与第一个局部最优点重合，从而使得梯度下降能够替代穷举线性搜索。该方法通过递归 QAOA（RQAOA）进行了验证，在所有测试的 QUBO 实例中，它始终优于粗糙优化的 RQAOA 和半正定程序。
博主点评： 量子计算的进步与经典优化技术的结合，为解决复杂的组合优化问题提供了新的思路。通过对参数的有效调优，不仅提高了算法性能，也为量子计算的实用化奠定了基础。未来的研究可以进一步探索更深层次的QAOA电路及其在实际应用中的表现。