Kuantum Yaklaşık Optimizasyon Algoritması
Quantum Approximate Optimization Algorithm (QAOA) · Ayrıca şöyle bilinir: QAOA, quantum alternating operator ansatz
Kuantum Yaklaşık Optimizasyon Algoritması (QAOA), yakın gelecekteki kuantum cihazlarında kombinatoryal optimizasyon problemlerini çözmek için tasarlanmış hibrit bir kuantum-klasik algoritmadır. Farhi, Goldstone ve Gutmann tarafından 2014 yılında tanıtılan QAOA, optimizasyon problemlerini kuantum devrelerine kodlar ve devre parametrelerini ayarlamak için klasik optimizasyon kullanır, böylece MaxCut, grafik renklendirme ve zamanlama gibi problemler için yaklaşık optimal çözümler bulmayı hedefler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
QAOA, küresel optimumu bulmanın klasik olarak hesaplama açısından zor olduğu kombinatoryal optimizasyon problemleri için uygundur. MaxCut, MaxSAT, grafik problemleri ve zamanlama görevlerinde iyi çalışır. QAOA, yakın gelecekteki kuantum cihazları (NISQ) için, problem boyutu orta düzeyde (20-100 kübit) olduğunda ve iyi bir yaklaşık çözüm kabul edilebilir olduğunda tercih edilir.
Güçlü yönler & sınırlılıklar
- Kombinatoryal optimizasyona doğrudan hitap eder, bu da önemli bir uygulama alanıdır.
- Devre derinliği, problem derinliği (p) ile büyür, bu da devre uzunluğu üzerinde kontrol sağlar.
- Belirli problem örneklerinde rastgele performanstan daha iyi performans gösterdiği kanıtlanmıştır.
- Kuantum donanımı geliştikçe prensipte daha büyük problemlere ölçeklenebilir.
- Çeşitli optimizasyon problemlerinin maliyet Hamiltoniyenine esnek kodlanması.
- Yaklaşım kalitesi devre derinliğine (p) bağlıdır ve büyük p değerleri için gürültülü donanımda azalır.
- İyi parametrelere yakınsama, birçok klasik optimizasyon yinelemesi gerektirebilir.
- Klasik algoritmalara göre performans artışı birçok problem için henüz kanıtlanmamıştır.
- Gürültü ve decoherans mevcut NISQ cihazlarında performansı ciddi şekilde bozar.
- Parametre manzarası, özellikle büyük sistemler için, ıssız platolara sahip olabilir.
SSS
QAOA ile klasik simüle edilmiş tavlama arasındaki fark nedir?
Simüle edilmiş tavlama, termal dalgalanmalar yoluyla yerel optimumlardan olasılıksal olarak kaçar. QAOA, kuantum süperpozisyonu ve girişimi kullanarak aynı anda birçok aday çözümün keşfedilmesine olanak tanır. QAOA'nın pratik bir avantaj sağlayıp sağlamadığı problem yapısına ve devre derinliğine bağlıdır; mevcut problemlerin çoğu için klasik sezgisel yöntemler rekabetçi kalmaktadır.
Problemim için devre derinliğini (p) nasıl seçerim?
p = 1 ile başlayıp kademeli olarak artırın. Her ek katman iki değişken parametre ekler ve devre derinliğini üstel olarak artırır. Küçük problemler (< 20 kübit) için tipik olarak p = 3-5 kullanılır. Gürültülü donanımdaki daha büyük problemler için, gürültü birikimi nedeniyle p'yi küçük tutun (p ≤ 2).
QAOA, klasik bir bilgisayarın başa çıkabileceğinden daha büyük problemleri çözebilir mi?
Henüz değil. Mevcut QAOA uygulamaları onlarca kübit ile sınırlıdır ve doğrulama için klasik olarak simüle edilmeleri gerekir. Gerçek kuantum avantajı hala açık bir sorudur; algoritma, iyi klasik yaklaşımların da bulunmasının zor olduğu problem sınıfları için iyi çalışır.
QAOA gürültüye ve hatalara ne kadar duyarlıdır?
QAOA, kapı hatalarına ve decoheransa duyarlıdır; hatalar devre derinliği ile birikir. Sıfır-gürültü ekstrapolasyonu gibi hata azaltma teknikleri yardımcı olabilir, ancak ölçüm ek yükünü artırırlar. Mevcut cihazlar için p'yi küçük tutmak esastır.
QAOA için iyi bir yaklaşım oranı nedir?
Yaklaşım oranı, beklenen maliyetin optimal maliyete bölünmesidir. MaxCut için QAOA, p ve parametrelere bağlı olarak 0.677-0.706 oranları elde eder. Bu, rastgele kesim için 0.5 gibi klasik polinom zamanlı yaklaşımlara eşit veya biraz daha fazladır ve mütevazı bir avantaj sunar.
Kaynaklar
- Farhi, E., Goldstone, J., Gutmann, S. (2014). A quantum approximate optimization algorithm. arXiv preprint arXiv:1411.4028. DOI: 10.48550/arXiv.1411.4028 ↗
- 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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Quantum Approximate Optimization Algorithm (QAOA). ScholarGate. https://scholargate.app/tr/quantum-computing/quantum-approximate-optimization-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Grover AlgoritmasıKuantum hesaplama↔ karşılaştır
- Kuantum Monte CarloKuantum hesaplama↔ karşılaştır
- Kuantum Faz KestirimiKuantum hesaplama↔ karşılaştır
- Varyasyonel Kuantum Öz ÇözücüKuantum hesaplama↔ karşılaştır