[论文解读] Quantum Integer Programming (QuIP) 47-779: Lecture Notes

David E. Bernal, Sridhar Tayur+1 more|arXiv (Cornell University)|Dec 17, 2020

Quantum Computing Algorithms and Architecture参考文献 55被引用 4

一句话总结

本文提出了一套关于量子整数规划（QuIP）的全面讲座系列，指导研究人员将整数规划问题转化为适合量子及量子启发式方法求解的无约束二次二值优化（QUBO）问题，涵盖量子退火、QAOA以及格拉弗增强多初始点算法（GAMA）等近期量子技术。核心贡献在于构建了一个实用框架，用于将现实世界优化问题映射为量子就绪的QUBO形式，并通过系统性参数调优，在经典与量子硬件上进行性能基准测试。

ABSTRACT

This lecture series on Quantum Integer Programming (QuIP) -- created by Professor Sridhar Tayur, David E. Bernal, and Dr. Davide Venturelli, a collaboration between CMU and USRA, with the support from Amazon Braket during Fall 2020 -- is intended for students and researchers interested in Integer Programming and the potential of near term quantum and quantum-inspired computing in solving optimization problems. Originally created for Tepper School of Business course 47-779 (at CMU), these were also used for the course ID5840 (at IIT-Madras, by Professors Anil Prabhakar and Prabha Mandayam) whose students (listed at the beginning of each lecture) were scribes. Dr. Vikesh Siddhu, post-doc in CMU Quantum Computing Group, assisted during the lectures, student projects, and with proof-reading this scribe. Through these lectures one will learn to formulate a problem and map it to a Quadratic Unconstrained Binary Optimization (QUBO) problem, understand various mapping and techniques like the Ising model, Graver Augmented Multiseed Algorithm (GAMA), Simulated or Quantum Annealing and QAOA, and ideas on how to solve these Integer problems using these quantum and classical methods.

研究动机与目标

• 为研究生和研究人员提供工具，将非线性整数规划问题重新表述为适合量子及量子启发式求解器的QUBO形式。
• 展示量子方法（特别是量子退火与QAOA）在真实世界组合优化问题上的应用。
• 提供一种基准测试策略，用于评估QUBO实例上量子与经典求解器的性能，重点关注解的质量、成功概率与资源使用情况。
• 使学生能够开发并评估结合经典优化与近期量子硬件或模拟器的混合项目。
• 通过教授问题建模、QUBO映射及在D-Wave、IBM以及GPU/TPU平台上的性能评估等实用技能，推动实现‘量子就绪’。

提出的方法

• 将现实世界问题建模为非线性整数规划问题，再通过惩罚法与二值编码将其重述为QUBO形式。
• 应用自旋哈密顿量的伊辛模型与QUBO映射技术，将约束与目标函数编码为基于自旋的哈密顿量。
• 实现格拉弗增强多初始点算法（GAMA）以对二次（半）分配问题进行量子启发式优化。
• 在D-Wave硬件上应用量子退火，调节链强度与退火时间等可调参数，以最大化获得最优解的概率。
• 通过参数化量子门（γ与β）构建的量子线路应用量子近似优化算法（QAOA），探索纠缠叠加态。
• 通过多次运行的统计采样对解进行基准测试，分析成功率、可行性及在经典与量子后端上的资源消耗（时间、能耗）。

实验结果

研究问题

• RQ1 如何在保持问题约束的前提下，有效将现实应用中的非线性整数规划问题转化为QUBO形式？
• RQ2 在量子退火中，链强度与退火时间的最优配置为何种组合，可最大化找到可行解与最优解的概率？
• RQ3 在基准QUBO实例上，QAOA的性能与量子退火及经典模拟退火相比如何？
• RQ4 量子启发方法如GAMA在特定类别的整数规划问题上，能在多大程度上超越经典求解器？
• RQ5 何种系统性基准测试策略可确保在解质量与资源效率方面，可靠比较量子与经典求解器？

主要发现

• 使用默认参数的量子退火仅能以0.05%的概率找到最优解，可行解概率为0.15%，表明其开箱即用性能较差。
• 增加链强初时可提升最优解概率，但随后因链断裂与能级分裂加剧而下降。
• 在2秒退火时间下，最优解数量显著低于更长运行时间，表明运行时间与成功率之间存在权衡。
• 本研究建议通过运行多个参数各异的退火实例来探索多样化解集，而非依赖单次长时间运行。
• QAOA可通过参数化量子线路实现相干的、基于电路的优化，但测量基态的概率仍难以通过解析方法计算。
• 系统性基准测试流程——包括参数调优、统计采样与性能对比——被证明对可靠评估量子优势声明至关重要。