Resumen

Un algoritmo de optimizacin aproximada cuntica (QAOA) es un algoritmo de optimizacin aproximada en tiempo polinmico utilizado para resolver problemas de optimizacin combinatoria. Sin embargo, los algoritmos QAOA existentes tienen un pobre rendimiento de generalizacin en la bsqueda de una solucin ptima a partir de un conjunto de soluciones factibles de problemas combinatorios. Para resolver este problema, se propone un algoritmo cuntico de optimizacin aproximada con metalearning para el problema MaxCut (MetaQAOA). En concreto, se construye una red neuronal cuntica (QNN) en forma de circuito cuntico parametrizado para detectar diferentes fases topolgicas de la materia, y se utiliza una red neuronal clsica de memoria a corto plazo (LSTM) como optimizador de caja negra, que puede ayudar rpidamente a la QNN a encontrar los parmetros ptimos aproximados del QAOA. La simulacin experimental a travs de TensorFlow Quantum (TFQ) muestra que MetaQAOA requiere menos iteraciones para alcanzar el umbral de la funcin de prdida, y el umbral del valor de prdida despus del entrenamiento es menor que los mtodos de comparacin. Adems, nuestro algoritmo puede aprender heursticas de actualizacin de parmetros que pueden generalizarse a sistemas de mayor tamao y seguir superando a otras estrategias de inicializacin de esta escala.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Algoritmo cuántico de optimización aproximada; QAOA; MetaQAOA; Red neuronal cuántica; QNN; LSTM
• Keywords:Quantum approximate optimization algorithm; QAOA; MetaQAOA; Quantum neural network; QNN; LSTM