แนวคิดหลัก
그래프 구조 학습을 통해 QAOA 변분 매개변수를 효과적으로 전달하고, 다단계 접근법을 통해 대규모 그래프 문제를 효율적으로 해결할 수 있다.
บทคัดย่อ
이 논문은 대규모 그래프 최대 컷(MAXCUT) 문제를 해결하기 위한 새로운 하이브리드 양자-고전 다단계 알고리즘을 소개한다.
- 다단계 접근법을 통해 원래 문제를 점진적으로 더 작은 하위 문제로 분해하고, 각 하위 문제를 효율적으로 해결한다.
- 그래프 표현 학습 기술을 활용하여 QAOA 변분 매개변수를 효과적으로 전달함으로써 하위 문제 해결 속도를 크게 향상시킨다.
- 또한 양자 정보 기반 재귀 최적화 알고리즘을 사용하여 하위 문제를 추가로 간소화한다.
- 실험 결과, 제안된 방법은 기존 하이브리드 양자-고전 접근법에 비해 2 order 이상 빠른 실행 시간을 달성하면서도 우수한 해 품질을 보여준다.
- 다양한 그래프 데이터셋에 대한 실험을 통해 제안 방법의 우수한 확장성과 성능을 입증한다.
สถิติ
그래프 G1의 최적 컷은 11624이다.
그래프 G2의 최적 컷은 11620이다.
그래프 G3의 최적 컷은 11622이다.
그래프 G4의 최적 컷은 11646이다.
그래프 G5의 최적 컷은 11631이다.
คำพูด
"그래프 구조 학습을 통해 QAOA 변분 매개변수를 효과적으로 전달하고, 다단계 접근법을 통해 대규모 그래프 문제를 효율적으로 해결할 수 있다."
"제안된 방법은 기존 하이브리드 양자-고전 접근법에 비해 2 order 이상 빠른 실행 시간을 달성하면서도 우수한 해 품질을 보여준다."