《Entropy》：Towards Efficient Function Optimisation with Quantum–Classical Hybrid Search
编辑推荐：
摘要专业翻译
寻找具有众多局部极值的函数的全局最小值是一项公认的具有挑战性的计算任务。研究人员提出了一种用于该优化问题的量子-经典混合算法，该算法基于Grover量子搜索与经典牛顿-拉夫森（Newton–Raphson）方法的结合。该方法特别适用于存在大量虚假
摘要专业翻译
寻找具有众多局部极值的函数的全局最小值是一项公认的具有挑战性的计算任务。研究人员提出了一种用于该优化问题的量子-经典混合算法，该算法基于Grover量子搜索与经典牛顿-拉夫森（Newton–Raphson）方法的结合。该方法特别适用于存在大量虚假极小值的情形。核心思想是利用量子搜索高效定位真实最优值附近区域，随后经典算法仅需少量迭代即可求解问题。研究人员专门解决了函数定义域离散化选择这一非平凡问题，该问题对于连续函数的量子优化方法至关重要。虽然研究人员不预期该方法在所有情形下均具有优越性，但研究人员识别出一个典型的函数案例，在该案例中，混合方法 remarkably 以二次方的速度优于纯经典方法（以函数/预言机调用次数衡量性能）。研究人员在数值实验中评估了该算法的关键性能指标，并进一步讨论了其可能的扩展方向以及混合方法在量子认知语境中的潜在相关性。
论文主体解读
一、研究背景与问题提出
函数优化是计算科学中的核心问题，尤其在机器学习领域具有重要地位。当一个函数包含大量局部极小值时，寻找其全局最小值成为极具挑战性的计算任务。经典优化方法如梯度下降或牛顿-拉夫森（Newton–Raphson）方法在接近目标时收敛速度极快，但极易陷入局部极小值；为规避这一问题，通常需要多次随机重启，导致计算开销随局部极小值数量线性增长。
量子计算领域最具影响力的成果之一是Grover算法，它能够在无结构搜索中以O(√N)次迭代识别目标，相较经典算法的O(N)次迭代实现二次加速。然而，将Grover算法直接应用于连续函数优化面临一个关键障碍：Grover算法要求输入为离散数组，因此必须对连续函数定义域进行离散化。离散化网格过细则量子迭代次数激增，过粗则可能遗漏全局最优值附近区域。已有研究如Lara等人提出的混合算法虽开创性地将经典优化与Grover自适应搜索结合，但未系统解决离散化选择问题，也未与纯经典方法进行公平比较。
二、研究内容与核心结论
研究人员提出了一种简化的量子-经典混合优化算法，该算法仅执行一次Grover自适应搜索（BBW算法）以定位全局最小值附近的网格点，随后交由牛顿-拉夫森方法进行最终连续细化。与Lara等人反复交替量子与经典阶段的方案不同，这种单次量子搜索加经典细化的结构使研究人员能够聚焦于离散化问题本身。
研究的关键发现是：对于具有M个局部极小值的函数，仅需采样约cM个离散点即可确保Grover搜索可靠地定位全局最小值附近区域，其中c为与M无关的常数。对于一维Rastrigin函数，数值实验表明c≈4时搜索已高度可靠，研究人员最终选取c=4进行实验。基于这一离散化策略，混合方法的预言机调用次数呈现平方根增长，而纯经典多重起始牛顿方法则随极小值数量线性增长。实验显示，混合方法在M≈50左右开始超越经典方法，并在实际终止条件下保持95%以上的成功率。
三、关键技术方法
研究人员采用的主要技术方法包括：其一，Grover自适应搜索算法（BBW算法），用于在离散化网格上高效定位最小函数值对应的网格点，其参数λ=1.34按文献建议选取；其二，牛顿-拉夫森迭代方法，用于从量子搜索定位的起始点出发快速收敛至精确全局最小值；其三，一维Rastrigin函数作为主要测试函数，通过设定定义域范围[0, 2πM]获得具有M个极小值的函数实例，并添加随机平移以隐藏真实最小值位置；其四，随机正弦和函数作为第二类测试函数，验证方法对更一般函数类的适用性。量子部分基于Qiskit在无噪声模拟器上实现，经典部分使用Python编写。
四、研究结果
离散化参数c的选择。 研究人员通过模拟实验系统考察不同c值下的搜索成功率：对每个c值和极小值数量M进行100次实验，记录从网格最小点出发经牛顿-拉夫森方法能否找到全局最小值。结果显示成功率随c增大而提高，当c≈4时所有搜索均成功，据此确定c=4作为后续实验参数。
混合算法与经典方法的查询次数对比。 对每个M值选取100个函数实例、每实例执行10次重复实验，结果显示混合算法的查询次数呈现√M增长趋势，而经典牛顿-拉夫森方法呈线性增长。混合算法在M≈50时开始优于经典方法，且98.9%的运行查询次数低于终止阈值。
终止条件下的性能验证。 在未知全局最小值的实际场景中，研究人员设定查询次数上限为3√(cM)作为终止条件。对每个M值选取20个函数实例、每实例执行10次重复实验，结果显示混合算法成功率为95%-100%，最低成功率出现在M=80时为95%，即每二十次运行中仅有一次未找到全局最小值。
对随机正弦和函数的适用性验证。 研究人员将方法应用于随机正弦和函数类，结果显示当参数组合为A=1, B=5时混合方法在考察范围内普遍优于经典方法；当A=1, B=2时混合方法仅在部分极小值数量范围内显示优势。该实验表明方法的效率依赖于函数的具体性质，包括极小值的密度分布。
五、讨论与结论
研究人员在讨论部分指出，混合算法的优势源于量子与经典计算的互补性：Grover搜索擅长处理无结构部分，而牛顿-拉夫森方法擅长利用局部结构快速收敛。方法的适用性要求目标函数属于已知特性的函数类，且需预先估计极小值数量M以指导离散化选择。研究局限性包括：量子部分在近期硬件上实现复杂预言机仍具挑战性，噪声和量子比特数量限制可能阻碍算法达到理论优势区间。尽管如此，研究结果为量子-经典混合算法在函数优化中的实际优势提供了存在性证明，并指出该方法在高维非凸优化、深度神经网络训练以及分子结构预测能量最小化等领域的潜在应用前景。此外，研究人员从认知心理学角度提出推测：大脑可能以极短暂的量子计算与经典计算协同方式实现高效认知加工，这一设想目前仍高度推测性。总体而言，该研究为混合算法在优化问题中的潜力提供了有价值的初步证据，有望激发更广泛的后续研究兴趣。
