[论文解读] Natural evolution strategies and quantum approximate optimization.

Tianchen Zhao, Giuseppe Carleo+2 more|arXiv (Cornell University)|May 9, 2020

Quantum Computing Algorithms and Architecture被引用 3

一句话总结

本文提出量子自然演化策略（qNES），一种统一经典与量子黑箱优化算法的几何框架。通过整合神经量子态与自然演化策略的洞见，qNES在Max-Cut问题上实现了最先进近似比，尽管计算成本更高。

ABSTRACT

A notion of quantum natural evolution strategies is introduced, which provides a geometric synthesis of a number of known quantum/classical algorithms for performing classical black-box optimization. Recent work of Gomes et al. [2019] on combinatorial optimization using neural quantum states is pedagogically reviewed in this context, emphasizing the connection with natural evolution strategies. The algorithmic framework is illustrated for approximate combinatorial optimization problems, and a systematic strategy is found for improving the approximation ratios. In particular it is found that natural evolution strategies can achieve state-of-art approximation ratios for Max-Cut, at the expense of increased computation time.

研究动机与目标

• 开发一种统一经典与量子优化算法的几何框架，用于黑箱问题。
• 将神经量子态的最新进展与优化中的自然演化策略相连接。
• 通过系统化的量子增强策略，提升组合优化中的近似比。
• 评估量子优化中近似质量与计算成本之间的权衡。

提出的方法

• 提出量子自然演化策略（qNES），作为经典与量子优化算法的几何综合。
• 将自然演化策略的原理拓展至量子领域，利用参数化量子线路。
• 使用神经量子态表示并优化用于组合问题的变分量子试探态。
• 采用系统化策略，通过参数空间中的自然梯度方向迭代提升近似比。
• 将该框架应用于Max-Cut问题，利用量子线路探索解空间。

实验结果

研究问题

• RQ1 自然演化策略能否推广至量子领域以提升优化性能？
• RQ2 神经量子态的整合如何增强量子优化算法的性能？
• RQ3 在量子自然演化策略中，近似比与计算成本之间的权衡如何？
• RQ4 qNES能否在Max-Cut等基准组合优化问题上实现最先进结果？

主要发现

• 量子自然演化策略在Max-Cut问题上实现了最先进近似比。
• 近似比的提升伴随着计算时间的增加。
• 该框架成功通过几何视角综合了已知的经典与量子优化算法。
• 该方法为提升变分量子算法的近似质量提供了系统化策略。