[论文解读] Quantum Approximate Optimization of Integer Graph Problems and Surpassing Semidefinite Programming for Max-k-Cut

Anuj Apte, Sami Boulebnane+4 more|arXiv (Cornell University)|Feb 5, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

本论文通过量子比特扩展到四能级系统（qudits）以处理整数变量，推导了一个与实例无关、深度为 p 的高圈图的期望值公式，并展示在某些度数下，QAOA 在浅深度（k=3,4）下可超越 Frieze–Jerrum SDP 求解 Max-k-Cut，同时提出一个具有竞争力的经典启发式方法。

ABSTRACT

Quantum algorithms for binary optimization problems have been the subject of extensive study. However, the application of quantum algorithms to integer optimization problems remains comparatively unexplored. In this paper, we study the Quantum Approximate Optimization Algorithm (QAOA) applied to integer problems on graphs, with each integer variable encoded in a qudit. We derive a general iterative formula for depth-$p$ QAOA expectation on high-girth $d$-regular graphs of arbitrary size. The cost of evaluating the formula is exponential in the QAOA depth $p$ but does not depend on the graph size. Evaluating this formula for Max-$k$-Cut problem for $p\leq 4$, we identify parameter regimes ($k=3$ with degree $d \leq 10$ and $k=4$ with $d \leq 40$) in which QAOA outperforms the Frieze-Jerrum semi-definite programming (SDP) algorithm, which provides the best worst-case guarantee on the approximation ratio. To strengthen the classical baseline we introduce a new heuristic algorithm, based on the degree-of-saturation, that empirically outperforms both the Frieze-Jerrum algorithm and shallow-depth QAOA. Nevertheless, we provide numerical evidence that QAOA may overtake this heuristic at depth $p\leq 20$. Our results show that moving beyond binary to integer optimization problems can open up new avenues for quantum advantage.

研究动机与目标

• 将量子优化应用于除二进制变量之外的整数值问题的动机与研究意义。
• 为高圈图上 qudit QAOA 的期望推导出一个明确、迭代的公式。
• 将量子性能与 Frieze–Jerrum SDP 进行比较，并引入一个具有竞争力的经典启发式方法。
• 在浅层深度下展示 QAOA 能达到或超过现有最佳经典保证的情形。
• 探索从二进制到整数优化问题迁移时潜在的量子优势。

提出的方法

• 将每个整数标签编码为一个离散的 qudit 状态，并用 phaser 与 mixer 量子门构建 p 层 QAOA。
• 为高圈图（2p+2）且度数为 d 的情形，推导出一个迭代、与实例无关的 QAOA 边缘期望表达式。
• 分析三种 mixer（Transverse Field、BKKT、Grover），并证明在 k=3 时 BKKT 在实际中趋于 Grover 行为。
• 通过 Hadamard 变换改进经典评估，使平移不变的边代价实现 O(p^2 k^{2p+2} log k) 的时间复杂度。
• 提供基于傅里叶变换的参数优化程序，用以寻找高质量的 QAOA 角度。
• 将 QAOA 的性能与 Frieze–Jerrum SDP 以及新提出的基于度数饱和的 DSatur 启发式对比，在随机 d-正则图上评估。

实验结果

研究问题

• RQ1 基于 qudit 的 QAOA 是否在随机高圈图的 Max-k-Cut 上相对于已知的 SDP 松弛具有性能优势？
• RQ2 在这些图上对 qudit QAOA 的期望进行经典评估的计算复杂度是多少，如何提升？
• RQ3 哪些参数范围（k、d、p）可以使 QAOA 超越 Frieze–Jerrum SDP 的界？
• RQ4 DSatur 启发式是否提供更强的经典基线，以及在哪些深度下 QAOA 可能超过它？
• RQ5 QAOA 的深度增长对性能的影响有多大，是否存在量子优势出现的外推深度？

主要发现

• 对于 p ≤ 4，在 k=3 的情况下，随机 d-正则图上当 d ≤ 10 时，QAOA 可超过 Frieze–Jerrum SDP；在 k=4 时，当 d ≤ 40 时也可超过。
• DSatur 启发式在经验上优于 SDP 和浅深度 QAOA，确立了一个强大的经典基线。
• 外推分析表明在所测试的图度下，QAOA 在深度 p ≤ 20 时可能超过 DSatur 启发式，但缺乏更大深度的验证，因此仍具不确定性。
• 通过使用 qudits 将 QAOA 从二元优化扩展到整数优化，为 Max-k-Cut 的潜在量子优势提供了可能。
• 在更大深度下，各 mixer 的性能均有所提升，其中 BKKT 在 k=3 时与 Grover 行为一致，且对 k=4 时 Grover 性能优于其他 mixer。