[論文レビュー] Scalable Clifford-Based Classical Initialization for the Quantum Approximate Optimization Algorithm

Dhanvi Bharadwaj, Yuewen Hou+2 more|arXiv (Cornell University)|Feb 15, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

SPIQは、 relaxed ma-QAOA フレームワークを用いて高品質の Clifford 状態を発見し、QAOA のスケーラブルな Clifford ベース初期化を提案する。これにより、収束を早め、さまざまな組合せ最適化問題における量子資源の利用を削減する。

ABSTRACT

Variational Quantum Algorithms (VQAs), such as the Quantum Approximate Optimization Algorithm (QAOA), offer a promising route to tackling combinatorial optimization problems on near and intermediate-term quantum devices. However, their performance critically depends on the choice of initial parameters, and the limited expressiveness of the QAOA ansatz makes identifying effective initializations both difficult and unscalable. To address this, we propose a framework, Scalable Parameter Initialization for QAOA (SPIQ), that employs a relaxed QAOA ansatz to enable classical search over a set of Clifford-preparable quantum states that yield high-quality solutions. These states serve as superior QAOA initializations, driving rapid convergence while significantly reducing the quantum circuit evaluations needed to reach high-quality solutions and consequently lowering quantum-device cost. We present a scalable, application-agnostic initialization framework that achieves an absolute accuracy improvement of up to 80% over state-of-the-art initialization and reduces initial-state diversity by up to 10,000x across QUBO, PUBO, and PCBO problems spanning tens to hundreds of qubits. We further benchmark its performance on a wide range of problem formulations and instances derived from real-world datasets, demonstrating consistent and scalable improvements. Furthermore, we introduce two complementary strategies for selecting high-quality Clifford points identified by our search procedure and using them to seed multi-start optimization, thereby enhancing exploration and improving solution quality.

研究の動機と目的

• QAOA における多様な組合せ最適化タスクのためのスケーラブルな初期化の必要性を動機付ける。
• Clifford ポイント初期化のための古典的探索を可能にするため、緩和された ma-QAOA アンサンブルを活用する。
• 高品質な Clifford 初期化が収束を改善し、量子資源の使用を削減することを実証する。
• マルチスタート最適化を種まきして探索を拡張する多様化戦略を提供する。

提案手法

• 独立パラメータを層ごと、項ごとに持つ緩和された multi-angle QAOA (ma-QAOA) アンサンブルを採用し、(m+n)*p パラメータを得る。
• 勾配非依存の遺伝アルゴリズムを用いた離散 Clifford 空間探索を行い、コストハミルトニアン期待値を最小化する Clifford 点を特定する。
• Clifford のみの回路シミュレーションを用いて、候補初期化を古典的ハードウェア上で効率的に評価する。
• 二つのシード選択戦略（Fixed-Interval と K-GAPS）を実装して、 landscape の領域全体にわたるマルチスタート最適化を多様化する。
• 単位円上の勾配ノルム・ヒューリスティックと角度埋め込みを適用して、多様で高潜在性の Clifford シードを選択する。

実験結果

リサーチクエスチョン

• RQ1 緩和された ma-QAOA ベースの Clifford 探索は、QUBO、PUBO、PCBO 問題を通じて高品質な初期化を生み出すことができるか。
• RQ2 多様で landscape を意識した Clifford シードはマルチスタート最適化と最終解品質を改善するか。
• RQ3 Clifford ベース初期化が収束速度、探索空間の削減、ノイズに対する頑健性に与える影響はどの程度か。
• RQ4 提案されたシード選択戦略は、さまざまな問題インスタンスにおけるベースライン初期化法と比較してどうか。
• RQ5 SPIQ は tens または hundreds の量子ビット規模でも性能向上を維持できるか。

主な発見

• SPIQ は評価されたタスクで、最先端の初期化と比較して最大で 80% の絶対精度向上を達成。
• 初期化により、試験された問題クラス全体で初期状態の多様性が最大で 10,000× 減少。
• SPIQ は評価された事例で最適解の最大 99.9% を達成。
• 本フレームワークは QUBO、PUBO、PCBO の定式化および実データインスタンスを横断して一般化可能。
• 二つの補完的なシード選択戦略（Fixed-Interval と K-GAPS）は探索と解の品質を向上させる。