本週新聞
發生了什麼： Quanta Computer和Quantinuum宣布了一項合作夥伴關係，旨在為大規模量子計算建立工業基礎。 閱讀更多
為什麼重要： 此次合作可能促進量子技術在各行各業的發展和部署，潛在地加速向實用量子計算解決方案的過渡。發生了什麼： 量子計算的收益報告預計即將發布，市場分析師預測將出現虧損。 閱讀更多
為什麼重要： 了解量子計算公司的財務健康狀況可以提供對行業可行性和未來增長前景的見解。發生了什麼： 一份報告討論了對量子計算（QUBT.US）的預期轉折點，突顯了訂單和生產能力的突破。 閱讀更多
為什麼重要： 這可能表明量子計算公司在運營能力上的重大變化，潛在地導致市場信心和投資的增加。發生了什麼： 量子計算的收益引發了對行業未來前景的討論，並對盈利能力表示擔憂。 閱讀更多
為什麼重要： 這反映了對量子計算企業可持續性的持續擔憂，以及在面對財務挑戰時進行戰略規劃的必要性。
精選論文
用於挫折伊辛環的量子優化的奇偶映射
作者：Ruiyi Wang, Anita Weidinger, Glen Bigan Mbeng等。
本文探討了奇偶映射對量子退火（QA）和量子近似優化算法（QAOA）的影響，使用了挫折伊辛環模型。研究發現，奇偶映射增強了最小光譜間隙，促進了在QA中更快的基態準備。限制包括專注於有限大小計算，可能無法完全代表大規模系統。
閱讀更多（這是一篇預印本，尚未經過同行評審。）SPLIT-Q：一種可擴展的連續量子計算框架，用於相干控制孤島
作者：Yuqi Jiang, Zhiding Liang, Qiang Guan等。
本研究提出了一種量子近似優化算法（QAOA），設計用於電力系統中的控制孤島，並針對受損電網的劃分進行優化，以解決經典方法的計算挑戰。限制是所提出的框架在現實應用中的可擴展性仍需驗證。
閱讀更多（這是一篇預印本，尚未經過同行評審。）混合HPC-量子模擬：分子系統的DFT-量子嵌入
作者：Namrata Manglani, Samrit Maity, Shashank Sharma等。
本文介紹了一種混合框架，將密度泛函理論（DFT）與量子求解器結合，以增強大型分子系統的電子結構模擬。該方法將系統劃分，以便使用量子技術處理相關的活躍空間，同時對其餘部分使用經典DFT。限制包括依賴於當前NISQ硬體的限制。
閱讀更多（這是一篇預印本，尚未經過同行評審。）評估QAOA期望值的難度可與計算最佳解的難度相當
作者：Stuart Hadfield
本研究確立了在深度$p \geq 2$的情況下評估QAOA期望值是#P困難的，這對算法的實際實施提出了重大挑戰。限制是結果主要集中在理論意涵上，而未提供實驗驗證。
閱讀更多（這是一篇預印本，尚未經過同行評審。）
論文文獻精讀
用於挫折伊辛環的量子優化的奇偶映射
研究問題探討了奇偶映射如何影響量子退火和QAOA在挫折伊辛環模型中的性能。作者使用有限大小計算來分析光譜間隙和基態準備效率。證據顯示，奇偶映射可以增加最小光譜間隙，這對於更快的基態準備至關重要。然而，該研究的限制在於其專注於有限大小系統，可能無法推廣到更大規模。這項工作具有重要意義，因為它提供了對優化量子算法在挑戰模型中的見解，潛在地增強其實際應用。
閱讀更多（這是一篇預印本，尚未經過同行評審。）
混合HPC-量子模擬：分子系統的DFT-量子嵌入
研究問題針對DFT在模擬強相關系統中的限制，提出了一種將經典DFT與量子求解器整合的混合方法。作者將大型系統劃分，以便將量子資源集中在化學相關的活躍空間上，同時對其餘部分使用經典方法。結果表明，這種混合框架可以提高電子結構模擬的預測準確性。限制包括當前NISQ硬體的限制和實施的複雜性。這項工作是重要的，因為它橋接了經典和量子方法，潛在地導致量子化學中更準確的模擬。
閱讀更多（這是一篇預印本，尚未經過同行評審。）
本週概念
量子近似優化算法（QAOA）是一種混合量子-經典算法，旨在通過利用量子疊加和糾纏來尋找組合優化問題的近似解。
直覺想像一下，試圖為一輛需要訪問多個地點的送貨卡車找到最佳路線。與其檢查每一條可能的路線（這可能不切實際），不如使用一種同時探索多條路線的方法，逐漸鎖定最佳選擇。QAOA 以類似的方式運作，使用量子位來表示不同的路線，並通過量子操作對其進行優化。
工作原理- 初始化：從一個表示所有可能解的量子狀態開始。這是通過量子位的疊加來實現的。
- 參數化：引入控制施加於量子位的量子閘的參數。這些參數將被調整以優化解。
- 量子操作：施加一系列編碼問題約束和目標的量子閘，將初始狀態轉換為新的量子狀態。
- 測量：測量量子狀態，將其塌縮為可能解之一，然後評估其質量。
- 經典優化：使用經典優化算法根據測量結果調整參數，旨在改善後續迭代中解的質量。
- 迭代：重複量子操作和測量，使用更新的參數，直到找到滿意的解或達到設定的迭代次數。
QAOA 由兩種類型的單位操作交替層組成：問題哈密頓量（編碼優化問題）和混合哈密頓量（促進解空間的探索）。在深度 p 下應用 QAOA 後的整體狀態可以表示為：
$$| ext{ψ}( ext{γ}, ext{β}) angle = U_B( ext{β}_p) U_P( ext{γ}_p) ... U_B( ext{β}_1) U_P( ext{γ}_1) |0 angle$$
其中 U_P( ext{γ}) 是對應於問題哈密頓量的單位運算子，而 U_B( ext{β}) 對應於混合哈密頓量。參數 ext{γ} 和 ext{β} 被優化以最小化問題哈密頓量的期望值。
考慮一個簡單圖形上的 MaxCut 問題，該圖形有三個頂點。目標是將頂點劃分為兩個集合，以最大化集合之間的邊數。使用 QAOA，我們在疊加狀態中初始化量子位，施加編碼 MaxCut 約束的適當量子閘，並測量結果。在根據測量結果調整參數的幾次迭代後，我們可能會找到一個最大化切割的劃分。
常見誤解一個常見的誤解是 QAOA 可以始終找到優化問題的最佳解。實際上，QAOA 的設計是為了尋找近似解，其性能可能因問題結構和所選算法深度而異。
為什麼本週出現本週，Stuart Hadfield 的論文 "Evaluating QAOA expectation values can be as hard as counting optimal solutions" 討論了與評估 QAOA 中的期望值相關的計算複雜性，特別是對於深度大於一的情況。這突顯了 QAOA 在實際應用中的挑戰和局限性，使其對我們理解該算法的能力具有相關性。
記住這一點QAOA 是一種強大的混合量子-經典算法，通過利用量子疊加和迭代參數優化來尋求優化問題的近似解。