IBM 团队用学习模型生成 QAOA 角度，替代逐实例优化

IBM 的 Johannes Jakobik 等研究团队发布论文《Learning angles for quantum approximate optimization》，提出学习从问题实例到高质量 QAOA 参数角度的映射，用单次前向计算替代逐实例的非凸经典优化（作者称之为求解器），在质量近似相同的前提下速度快多个数量级。 据论文摘要，模型可泛化到未见过的 Barabási-Albert 和二维网格图拓扑；量子硬件实验显示，开源模型生成的角度与求解器角度产生的 QAOA 样本不可区分。作者将前期的数据生成和训练成本列为需预先投入的成本，并指出在反复优化相似问题时该成本可随时间摊销。 以上结论基于论文摘要，尚未经独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。