[论文解读] Scalable Clifford-Based Classical Initialization for the Quantum Approximate Optimization Algorithm

Dhanvi Bharadwaj, Yuewen Hou+2 more|arXiv (Cornell University)|Feb 15, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

SPIQ 提出了一种基于 Clifford 的可扩展初始化方法用于 QAOA，通过使用放宽的 ma-QAOA 框架来发现高质量的 Clifford 状态，从而在不同组合问题上实现更快收敛和更少的量子资源使用。

ABSTRACT

Variational Quantum Algorithms (VQAs), such as the Quantum Approximate Optimization Algorithm (QAOA), offer a promising route to tackling combinatorial optimization problems on near and intermediate-term quantum devices. However, their performance critically depends on the choice of initial parameters, and the limited expressiveness of the QAOA ansatz makes identifying effective initializations both difficult and unscalable. To address this, we propose a framework, Scalable Parameter Initialization for QAOA (SPIQ), that employs a relaxed QAOA ansatz to enable classical search over a set of Clifford-preparable quantum states that yield high-quality solutions. These states serve as superior QAOA initializations, driving rapid convergence while significantly reducing the quantum circuit evaluations needed to reach high-quality solutions and consequently lowering quantum-device cost. We present a scalable, application-agnostic initialization framework that achieves an absolute accuracy improvement of up to 80% over state-of-the-art initialization and reduces initial-state diversity by up to 10,000x across QUBO, PUBO, and PCBO problems spanning tens to hundreds of qubits. We further benchmark its performance on a wide range of problem formulations and instances derived from real-world datasets, demonstrating consistent and scalable improvements. Furthermore, we introduce two complementary strategies for selecting high-quality Clifford points identified by our search procedure and using them to seed multi-start optimization, thereby enhancing exploration and improving solution quality.

研究动机与目标

• 为多样化组合优化任务中的 QAOA 提供可扩展初始化的需求动机。
• 利用放宽的 ma-QAOA 参量设定， enabling 在 Clifford 点初始化上的经典搜索。
• 证明高质量的 Clifford 初始值可以改善收敛并降低量子资源使用。
• 提供多启动优化的多样化策略，以增加探索性。

提出的方法

• 采用带有层和项的独立参数的放宽多角度 QAOA (ma-QAOA) 参量设定，获得 (m+n)*p 个参数。
• 使用梯度无关的遗传算法在离散的 Clifford 空间中搜索，以确定最小化代价哈密顿量期望值的 Clifford 点。
• 使用仅 Clifford 的电路仿真，在经典硬件上高效评估候选初始化。
• 实现两种种子选择策略（Fixed-Interval 和 K-GAPS），在 landscape 的区域间实现多启动优化的多样化。
• 在单位圆上应用梯度范数启发式与角度嵌入，以选择多样且潜力高的 Clifford 种子。

实验结果

研究问题

• RQ1 放宽的 ma-QAOA 基于 Clifford 的搜索是否能在 QUBO、PUBO、PCBO 问题上产生高质量的 QAOA 初始化？
• RQ2 是否存在多样化、面向景观的 Clifford 种子能改善多启动优化和最终解的质量？
• RQ3 Clifford 基初始化对收敛速度、搜索空间缩减以及对噪声的鲁棒性有何影响？
• RQ4 所提出的种子选择策略在不同问题实例中与基线初始化方法相比如何？
• RQ5 SPIQ 是否能够扩展到 tens 或 hundreds 的量子比特同时仍保持性能提升？

主要发现

• SPIQ 在评估任务中对最先进初始化方法实现了最高 80% 的绝对准确度改进。
• 初始化将初始态多样性在测试的問題类别中降低多达 10,000×。
• SPIQ 在评估实例中达到最优解的最高 99.9%。
• 该框架可泛化至 QUBO、PUBO 及 PCBO 形式和真实世界数据实例。
• 两种互补的种子选择策略（Fixed-Interval 和 K-GAPS）提升探索与解的质量。