[论文解读] Graph Coloring with Quantum Annealing

Julia S. Kwok, Kristen L. Pudenz|arXiv (Cornell University)|Dec 8, 2020

Scheduling and Timetabling Solutions参考文献 21被引用 9

一句话总结

该论文提出了一种混合量子-经典图着色算法，利用D-Wave 2X量子退火机采样最大独立集，替代经典子程序。在小型、困难的图实例上，该方法相较于经典方法表现出更高的成功率和更短的运行时间，展示了在真实世界优化场景中有限但可测量的量子优势。

ABSTRACT

We develop a heuristic graph coloring approximation algorithm that uses the D-Wave 2X as an independent set sampler and evaluate its performance against a fully classical implementation. A randomly generated set of small but hard graph instances serves as our test set. Our performance analysis suggests limited quantum advantage in the hybrid quantum-classical algorithm. The quantum edge holds over multiple metrics and suggests that graph problem applications are a good fit for quantum annealers.

研究动机与目标

• 开发一种启发式图着色算法，利用量子退火作为独立集采样的子程序。
• 在小型但计算困难的图实例上，评估量子辅助算法与完全经典实现的性能表现。
• 评估量子退火在求解NP难图着色问题时是否能提供可测量的优势。
• 探索在混合经典-量子优化工作流中使用近场量子硬件的可行性与性能。

提出的方法

• 该算法采用贪心近似方法，迭代识别并从图中移除最大独立集。
• 独立集采样子程序通过经典方法和D-Wave 2X量子退火机实现，采用QUBO公式将最大独立集问题编码。
• 每次迭代从多个候选中选择最大的采样独立集，为其分配颜色并从图中移除。
• 性能通过三个指标进行评估：成功率、运行时间（wallclock time）和求解时间（TTS）。
• 量子实现使用QUBO惩罚函数编码独立集选择，量子比特使用量与图大小和颜色数量呈线性关系。
• 研究对比了经典和量子版本在样本数s=1和s=30的情况，使用相同的经典硬件以确保公平基准测试。

实验结果

研究问题

• RQ1 与经典采样相比，使用量子退火机作为独立集采样器是否能提升启发式图着色算法的性能？
• RQ2 在小型困难图着色实例中，量子退火是否能在成功率和求解时间方面提供可测量的优势？
• RQ3 随着图大小增加，量子与经典实现的运行时间与成功率如何变化？
• RQ4 包含真实量子硬件延迟（如读出时间、热化时间）对观测到的性能优势有何影响？
• RQ5 该混合方法能否扩展至更大图以及现实世界应用，如频率分配或调度问题？

主要发现

• 对于图大小n=20和n=40，量子算法的成功率高于经典算法，且优势随图规模增大而增强。
• 在所有测试的图大小下，量子算法的运行时间显著短于经典算法，且随着n增大，性能差距进一步扩大。
• 经典算法的求解时间（TTS）增长速度快于两种量子算法，表明性能差距持续扩大。
• 次优量子算法（s=1）在成功率和运行时间上均优于经典算法（s=1），表明即使采样极少，也存在量子优势。
• 最优量子算法（s=30）表现最强，成功率更高，求解时间（TTS）也快于经典对应版本。
• 本研究证明，即使包含真实硬件延迟（如读出和热化时间），量子退火也能在混合量子-经典图着色中提供可测量的性能优势。