ScholarGate
Avustaja
Machine learningVariational Algorithm

Kvanttiaproksimatiivinen optimointialgoritmi

Kvanttiaproksimatiivinen optimointialgoritmi (QAOA) on hybridi kvantti-klassinen algoritmi, joka on suunniteltu ratkaisemaan kombinatorisia optimointiongelmia lähiajan kvanttilaitteistoilla. Farhin, Goldstonen ja Gutmannin vuonna 2014 esittelemä QAOA koodaa optimointiongelmat kvanttipiireiksi ja käyttää klassista optimointia piiriparametrien virittämiseen. Tavoitteena on löytää likimääräisesti optimaalisia ratkaisuja ongelmiin, kuten MaxCut, graafin väritys ja aikataulutus.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

The neighbourhood of related methods — select a node to explore.

Lähteet

  1. Farhi, E., Goldstone, J., Gutmann, S. (2014). A quantum approximate optimization algorithm. arXiv preprint arXiv:1411.4028. DOI: 10.48550/arXiv.1411.4028
  2. Zhou, L., Wang, S. T., Choi, S., et al. (2020). Quantum approximate optimization algorithm: Performance, mechanism, and implementation on near-term devices. Physical Review X, 10, 021067. DOI: 10.1103/PhysRevX.10.021067
  3. Hadfield, S., Wang, Z., O'Gorman, B., et al. (2019). From the Ising model to QAOA: A quantum optimization algorithm from the physicist's perspective. Algorithms, 12, 34. link

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Quantum Approximate Optimization Algorithm (QAOA). ScholarGate. https://scholargate.app/fi/quantum-computing/quantum-approximate-optimization-algorithm

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Tähän viittaavat

ScholarGateQuantum Approximate Optimization Algorithm (Quantum Approximate Optimization Algorithm (QAOA)). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/quantum-computing/quantum-approximate-optimization-algorithm · Aineisto: https://doi.org/10.5281/zenodo.20539026