Quantum Computing and Machine Learning Workshop 2024

量子技术的发展带来了量子比特数目和质量的提升，然而现有硬件上所能支持的量子算法的复杂度仍然有限。发展近期应用仍然是短期量子算法发展的重要议题。量子变分算法是近期应用中重要的算法框架，其设计依赖于线路拟设的选择和参数的优化方案。数字化反向透热补偿算法是一种高效的量子变分算法。其算法的设计源自对量子控制中的反向透热补偿算法的Trotter处理。从动力学层面加速了演化的过程，缩短了线路的长度。同时反向透热补偿算法也对线路的参数提供了最优解方案，可以获得较好的算法性能。如果在此基础上对参数做进一步优化，可以更快的收敛速度，并降低算法优化到局部极小值的概率。本报告将结合分解问题和自旋问题的最优解问题，讨论数字化反向透热补偿算法的优势和局限。 算法作为相比于QAOA更有效的算法，可以解决常见组合优化问题。