[论文解读] Algorithm engineering for a quantum annealing platform

Andrew D. King, Catherine C. McGeoch|arXiv (Cornell University)|Oct 9, 2014

Quantum Computing Algorithms and Architecture参考文献 29被引用 38

一句话总结

本文提出算法工程策略以提升D-Wave量子退火平台的性能，重点聚焦于退火时序调优、通过规范变换和自旋链补偿优化问题编码，以及应用经典后处理技术（如多数投票和贪婪下降）。主要贡献在于构建了一个实用框架，显著提升了解决方案质量与成功率，尤其在困难实例上表现突出，实证结果表明在3MC和NAE问题上实现了可测量的性能提升。

ABSTRACT

Recent advances bring within reach the viability of solving combinatorial problems using a quantum annealing algorithm implemented on a purpose-built platform that exploits quantum properties. However, the question of how to tune the algorithm for most effective use in this framework is not well understood. In this paper we describe some operational parameters that drive performance, discuss approaches for mitigating sources of error, and present experimental results from a D-Wave Two quantum annealing processor.

研究动机与目标

• 为填补在理解如何有效调优真实硬件平台上的量子退火算法方面的空白。
• 识别并缓解量子退火中的误差源，特别是由硬件缺陷和问题嵌入引起的误差。
• 开发实用且可实现的策略，以提升D-Wave Two处理器上的解决方案质量与计算时间。
• 区分算法性能与其在尚不成熟但持续演进的量子硬件上的物理实现。
• 探索经典算法工程技术向量子退火工作流的可迁移性。

提出的方法

• 本研究使用D-Wave Two处理器，通过实验评估不同退火时间下的性能表现，总计算时间定义为 $ T = t_p + k(t_f + t_s) $，其中 $ t_f $ 为退火时间。
• 应用规范变换对问题哈密顿量进行重参数化，以降低硬件噪声影响并提升解的保真度。
• 采用自旋链补偿技术调整嵌入问题中的自旋链强度，以减少断裂链并提升基态恢复能力。
• 对硬件输出应用经典后处理技术——多数投票与贪婪下降，以纠正误差并优化解。
• 在基准实例（包括3MC与NAE问题）上评估这些策略的性能，问题规模从20至100个逻辑变量不等。
• 构建概念性性能模型，以分离算法行为与硬件特定限制，从而实现针对性优化。

实验结果

研究问题

• RQ1 退火时间的变化如何影响D-Wave Two处理器上的成功率与解决方案质量？
• RQ2 规范变换与自旋链补偿在多大程度上可减少由硬件缺陷引起的嵌入优化问题中的误差？
• RQ3 经典后处理技术（如多数投票与贪婪下降）能否有效纠正量子退火输出中的误差？
• RQ4 算法工程策略带来的性能提升如何随问题规模与难度变化而扩展？
• RQ5 硬件特定误差（如缺失耦合器、链断裂）与算法选择在量子退火性能中的相对影响如何？

主要发现

• 自旋链补偿在3MC实例上带来系统性且可测量的性能提升，尤其在逻辑变量数从20增至100时更为显著。
• 采用多数投票后处理可显著提升断裂链情况下的成功率，尤其在链强度不足时效果更明显。
• 贪婪下降后处理可降低解的代价并改善局部极小值的恢复，且在较高链强度下收益更显著。
• 较长退火时间与自旋链补偿的结合在困难实例（如完全连通图）上表现更优。
• 算法工程策略带来的性能增益在更困难的问题类别（如NAE实例）中更为突出，因这类问题对误差更敏感。
• 本研究证明，经典算法工程技术可有效适配至量子退火工作流，显著提升实际性能，且无需依赖量子误差纠正。