[论文解读] Quantum annealing

Alfonso de la Fuente Ruiz|arXiv (Cornell University)|Apr 9, 2014

Metaheuristic Optimization Algorithms Research被引用 4

一句话总结

本文提出将量子退火（QA）作为一种量子增强的元启发式方法，用于求解多变量局部优化问题，以量子隧穿代替模拟退火中的热涨落。该方法也被称为意大利学派所称的量子随机优化（QSO），为更高效地探索复杂能量景观提供了有前景的替代方案。

ABSTRACT

Brief description on the state of the art of some local optimization methods: Quantum annealing Quantum annealing (also known as alloy, crystallization or tempering) is analogous to simulated annealing but in substitution of thermal activation by quantum tunneling. The class of algorithmic methods for quantum annealing (dubbed: 'QA'), sometimes referred by the italian school as Quantum Stochastic Optimization ('QSO'), is a promising metaheuristic tool for solving local search problems in multivariable optimization contexts.

研究动机与目标

• 研究量子退火作为一种新颖方法在复杂多变量搜索空间中实现局部优化的潜力。
• 通过以量子隧穿替代热激活，将量子退火与经典模拟退火进行比较。
• 评估量子退火（QA）作为元启发式工具在高维景观中求解优化问题的潜力。
• 考察量子退火的理论与算法基础，特别是意大利学派以量子随机优化（QSO）术语所构建的框架。

提出的方法

• 量子退火通过使用量子隧穿而非热涨落，来在优化过程中逃离局部极小值。
• 该方法被框架化为一种元启发式，适用于解决多变量优化场景中的局部搜索问题。
• 其形式与意大利学派提出的量子随机优化（QSO）概念密切相关，强调随机量子动力学。
• 算法框架与模拟退火类似，但以量子力学跃迁替代热激发。
• 该方法通过利用优化中的量子效应，旨在更有效地探索能量景观。

实验结果

研究问题

• RQ1 在收敛性和逃离局部极小值方面，量子退火与经典模拟退火相比如何？
• RQ2 在高维、多峰搜索空间中，量子隧穿能在多大程度上提升优化性能？
• RQ3 作为元启发式方法，量子退火的理论与算法基础是什么？
• RQ4 意大利学派提出的量子随机优化（QSO）框架如何增进对量子退火算法结构的理解？

主要发现

• 量子退火通过以量子隧穿替代热激活，为模拟退火提供了一种可行的替代方案。
• 该方法在处理多变量优化中常见的复杂、崎岖能量景观方面尤为有效。
• 量子退火被正式认可为一种元启发式方法，其理论基础坚实，根植于量子随机过程。
• 意大利学派提出的量子随机优化（QSO）框架为理解量子退火的算法结构提供了互补视角。