Скачать с ютуб Алгоритм квантовой аппроксимации оптимизации в хорошем качестве

Алгоритм квантовой аппроксимации оптимизации

Алгоритм квантовой аппроксимации оптимизации (QAOA) находит приближенные решения задач комбинаторной оптимизации. Его производительность равномерно улучшается с глубиной p. Мы применяем QAOA к MaxCut на D-регулярных графах большого охвата. Мы приводим итерационную формулу для оценки производительности для любого D при любой глубине p. Рассматривая случайные D-регулярные графы при оптимальных параметрах и при увеличении D до бесконечности, мы обнаруживаем, что при p = 11 QAOA выигрывает у всех классических алгоритмов (известных авторам), свободных от недоказанных гипотез. Хотя итерационная формула для этих D-регулярных графов получена на основе рассмотрения одного подграфа дерева, мы доказываем, что она также даёт усредненную по множеству производительность QAOA на модели Шеррингтона-Киркпатрика (SK). Наша итерация является компактной процедурой, но её вычислительная сложность возрастает как O(p2 4p). Эта итерация более эффективна, чем предыдущая процедура анализа производительности QAOA на модели SK, и мы можем численно перейти к p = 20. Воодушевленные нашими результатами, мы делаем оптимистичное предположение, что QAOA, по мере того как p будет уходить в бесконечность, достигнет значения Паризи. Мы анализируем производительность квантового алгоритма, но для получения строки с гарантированной производительностью необходимо запустить его на квантовом компьютере. Докладчик: Жоао Бассо Больше выступлений Google Quantum AI Talks по адресу → https://goo.gle/QuantumAITalks Подписывайтесь на канал Google Quantum AI → https://goo.gle/QuantumAI #QuantumAITalks Joao Basso; re_ty: Publish;