[论文解读] Iterative Quantum Algorithms for Maximum Independent Set: A Tale of Low-Depth Quantum Algorithms

Lucas T. Brady, Stuart Hadfield|arXiv (Cornell University)|Sep 22, 2023

Quantum Computing Algorithms and ArchitectureComputer Science被引用 3

一句话总结

本文提出了用于最大独立集（MIS）问题的迭代量子算法（IQA），并推广了递归QAOA框架。结果表明，在深度 $ p=1 $ 时，IQA的表现与经典贪心算法完全相同；但当 $ p>1 $ 时，量子增强的迭代步骤可实现性能提升，表明近期量子设备中的量子优势可能源于混合经典-量子设计，而非纯粹的量子加速。

ABSTRACT

Quantum algorithms have been widely studied in the context of combinatorial optimization problems. While this endeavor can often analytically and practically achieve quadratic speedups, theoretical and numeric studies remain limited, especially compared to the study of classical algorithms. We propose and study a new class of hybrid approaches to quantum optimization, termed Iterative Quantum Algorithms, which in particular generalizes the Recursive Quantum Approximate Optimization Algorithm. This paradigm can incorporate hard problem constraints, which we demonstrate by considering the Maximum Independent Set (MIS) problem. We show that, for QAOA with depth $p=1$, this algorithm performs exactly the same operations and selections as the classical greedy algorithm for MIS. We then turn to deeper $p>1$ circuits and other ways to modify the quantum algorithm that can no longer be easily mimicked by classical algorithms, and empirically confirm improved performance. Our work demonstrates the practical importance of incorporating proven classical techniques into more effective hybrid quantum-classical algorithms.

研究动机与目标

• 开发一种适用于组合优化问题（如MIS）的通用迭代量子优化（IQA）框架。
• 研究迭代量子算法是否可通过在混合设置中利用量子增强，超越经典对应算法。
• 分析基于QAOA的IQA在低电路深度（$ p=1 $）下的性能，并与经典贪心算法进行比较。
• 探索增加量子电路深度（$ p>1 $）如何使算法获取更丰富的结构信息，从而在解质量上超越经典启发式方法。
• 通过将已验证的经典技术嵌入量子混合工作流，评估近期量子设备中实现量子优势的潜力。

提出的方法

• 提出一种基于QAOA的新型MIS迭代量子算法，其中每轮迭代通过量子辅助的顶点选择减少图的规模。
• 使用深度 $ p=1 $ 的QAOA计算顶点选择的期望值，表明其与经典贪心选择规则等价。
• 采用递归缩减策略：根据量子输出选择一个顶点，移除其自身及其邻居，然后在剩余图上重复该过程。
• 将框架扩展至更高深度的QAOA（$ p>1 $），使算法能够访问更大的局部邻域，从而提升解的质量。
• 引入MINQ和MAXQ等变体，利用量子决策指导迭代步骤中的位固定操作，推广经典贪心启发式方法。
• 在Erdős–Rényi图上进行实验评估，比较经典算法、非迭代QAOA与迭代量子算法的近似比。

实验结果

研究问题

• RQ1 在 $ p=1 $ 时，迭代量子算法是否与经典贪心算法在MIS问题上达到相同结果？
• RQ2 在迭代量子框架中，更深的QAOA电路（$ p>1 $）是否能超越经典贪心算法实现性能提升？
• RQ3 量子增强的迭代算法在多大程度上受益于经典算法的洞见？这又如何影响对量子优势的宣称？
• RQ4 与非迭代QAOA相比，迭代量子算法在图规模和边密度增加时的性能表现如何变化？
• RQ5 通过问题变换（如最大团或最小顶点覆盖），该迭代量子方法能否推广至其他NP难问题？

主要发现

• 在 $ p=1 $ 时，迭代量子算法与经典贪心算法表现完全一致，每轮迭代均选择相同的顶点。
• 在 $ p=1 $ 时，该量子算法未获取超出经典贪心算法可用信息的额外信息，因此在此阶段未体现量子优势。
• 在 $ p>1 $ 时，量子算法可获取更大局部邻域的信息，从而实现优于经典贪心算法的解质量。
• 实验结果表明，使用 $ p=2 $ 的迭代量子算法相比非迭代QAOA取得显著更高的近似比，后者在 $ n=5 $ 时为0.69，而在 $ n=16 $ 时下降至0.495。
• 随着电路深度增加，迭代量子算法与经典贪心算法之间的性能差距扩大，表明量子增强源于对更丰富信息的访问。
• 该框架兼容多种量子算法，包括QAOA变体、硬件高效量子电路和量子退火，具备广泛适用于优化问题的潜力。