[论文解读] Quantum-Assisted Genetic Algorithm

James King, Masoud Mohseni+6 more|arXiv (Cornell University)|Jun 24, 2019

Neural Networks and Reservoir Computing参考文献 1被引用 17

一句话总结

本文提出了一种量子辅助遗传算法（QAGA），在经典遗传算法框架中使用反向量子退火作为变异算子。通过利用量子涨落实现非局部探索，同时结合经典交叉实现开发，QAGA在自旋玻璃问题上优于标准量子退火和经典求解器，尤其在DCL和AC3输入类别中表现显著，大幅缩短了求解时间（TTS），并在困难实例上实现了更紧密的TTS分布。

ABSTRACT

Genetic algorithms, which mimic evolutionary processes to solve optimization problems, can be enhanced by using powerful semi-local search algorithms as mutation operators. Here, we introduce reverse quantum annealing, a class of quantum evolutions that can be used for performing families of quasi-local or quasi-nonlocal search starting from a classical state, as novel sources of mutations. Reverse annealing enables the development of genetic algorithms that use quantum fluctuation for mutations and classical mechanisms for the crossovers -- we refer to these as Quantum-Assisted Genetic Algorithms (QAGAs). We describe a QAGA and present experimental results using a D-Wave 2000Q quantum annealing processor. On a set of spin-glass inputs, standard (forward) quantum annealing finds good solutions very quickly but struggles to find global optima. In contrast, our QAGA proves effective at finding global optima for these inputs. This successful interplay of non-local classical and quantum fluctuations could provide a promising step toward practical applications of Noisy Intermediate-Scale Quantum (NISQ) devices for heuristic discrete optimization.

研究动机与目标

• 开发一种混合量子-经典优化框架，整合量子与经典搜索机制，以提升启发式优化性能。
• 解决正向量子退火的局限性，即由于不可克隆定理而无法对已知优质解进行精炼。
• 探究反向量子退火是否可作为遗传算法中有效且可控的变异算子。
• 在基准自旋玻璃问题上，评估QAGA相较于标准量子退火和经典求解器的性能表现。
• 评估NISQ时代量子设备在混合优化工作流中的实际可行性。

提出的方法

• QAGA框架将反向量子退火用作变异算子，从经典候选解出发，通过增加横向场强度施加受控的量子涨落。
• 该算法维护一组经典自旋构型，通过交叉操作生成后代，随后应用反向退火进行变异。
• 变异强度由横向场幅度控制，可在初始经典态附近实现准局部或准非局部搜索。
• 算法采用异步计算，经典控制器在等待QPU响应期间持续处理，以减少实际运行时间开销。
• 该方法在三种问题类别（RAN1、AC3和DCL自旋玻璃）上进行了测试，使用D-Wave 2000Q处理器。
• 性能通过求解时间（TTS）分布以及与量子退火（QA）、平行退火（PT）和PT-ICM的直接对比进行评估。

实验结果

研究问题

• RQ1 反向量子退火是否可在遗传算法框架中作为有效且可控的变异算子？
• RQ2 将经典交叉与量子变异结合，是否能相比标准量子退火更有效地收敛至全局最优解？
• RQ3 在多样化自旋玻璃问题实例上，QAGA的求解时间性能与经典求解器（如PT-ICM）和量子退火相比如何？
• RQ4 问题类别（RAN1、AC3、DCL）对QAGA相对于经典和量子基线方法的相对性能有何影响？
• RQ5 在NISQ设备上，量子与经典涨落如何互补以加速解空间采样？

主要发现

• 在DCL和AC3输入上，QAGA显著优于标准量子退火，DCL问题的平均求解时间（TTS）减少超过两个数量级。
• 在AC3输入上，QAGA平均性能优于PT-ICM约一个数量级，PT-ICM仅在100个输入中的7个上更快。
• 在RAN1输入上，QAGA的TTS分布尾部更长，在100个实例中有16个超时，而PT-ICM仅超时12个，表明QAGA在最困难类别上性能方差更高。
• QAGA的TTS分布比QA更紧凑，上尾更瘦，表明在困难实例上表现更一致。
• 尽管由于QPU访问和经典-量子协调带来的实际运行时间开销较高，QAGA在结构化问题类别上仍表现出可测量的性能提升，表明存在潜在的计算优势。
• 结果表明，非局部量子涨落与局部经典精炼之间的协同作用，使解空间探索比单一方法更有效。