通过线性链和斜坡调度方案提升QAOA在车辆路径问题中的可行性与硬件性能

《Scientific Reports》：Improving QAOA feasibility and hardware performance for vehicle routing via linear chain and ramp schedules

　　

摘要

量子近似优化算法（QAOA）难以在近中期硬件上部署约束路由问题，因为可行性约束会产生密集的相互作用图、深的转译电路和耗时的参数搜索。我们使用硬件感知的QAOA工作流程研究这一挑战，针对车辆路径问题（VRP）实例，该工作流程结合线性斜坡参数初始化、条件风险价值（CVaR）优化，以及一种线性链QAOA（LC-QAOA）代理，该代理保留局部ZZ相互作用以减少二量子深度。对4节点实例进行了匹配的全QAOA与LC-QAOA可行性比较，而5节点和6节点实验表征了在测试深度下的电路可执行性和低概率最优恢复。在4节点硬件运行中，LC-QAOA将平均可行样本概率从0.182%提高到0.917%，平均最优样本概率从0.045%提高到0.239%，相比全QAOA约有\(5\times\)的提升。在6节点情况下，在\(p=1\)深度的全QAOA电路已经具有很大的转译后二量子深度，而LC-QAOA在深度p=10–13时保持可执行，并在选定的硬件运行中采样到CPLEX认证的最优解，尽管最优概率较低。总体而言，结果表明LC-QAOA是一种硬件高效的代理启发式方法，以哈密顿完备性换取更低的深度和在有噪声量子硬件上改进的可行解采样。