[Paper] 针对大规模稠密交互高阶问题的分布式量子优化

Source: arXiv - 2604.20599v1

概述

本文介绍了 分布式量子优化框架（Distributed Quantum Optimization Framework，DQOF），这是一种将量子电路与高性能经典计算相结合的混合系统，用于处理以前难以企及的大规模稠密高阶优化问题（HUBOs）。通过保持量子部分“薄”（浅层电路），并让经典集群承担大规模并行计算，作者展示了近端量子硬件能够在实际的、规模宏大的设计任务中发挥有意义的作用。

关键贡献

• 一种新颖的混合架构，将 HUBO 工作负载分配到多个量子处理器，由经典 HPC 调度器协调。
• 在量子电路中直接编码高阶项，避免了在大多数量子退火流水线中占主导地位的昂贵二次化简。
• 一种聚类策略，将变量划分为重叠组，使得在不增加电路深度的情况下实现宽量子电路。
• 可扩展实现，能够在普通量子‑经典测试平台上在三分钟内求解多达 500 个变量的 HUBO。
• 真实世界验证，在光学超材料设计问题上展示了高阶相互作用显著提升了解的质量。

Methodology

1. Problem Decomposition – 将原始稠密的 HUBO 拆分为重叠的子问题（簇），采用图划分启发式方法，兼顾多变量耦合的强度。
2. Quantum Sub‑Solver – 将每个簇映射到浅层量子电路，在该电路中直接通过多控制 Z 门实现高阶 Pauli‑Z 项。由于簇规模较小，电路深度能够保持在 NISQ 设备的相干预算范围内。
3. Classical Orchestration – HPC 调度器并行启动大量量子子求解器，收集它们的部分解，并执行经典协调步骤（例如，类似信念传播的消息传递）以统一重叠变量。
4. Iterative Refinement – 协调循环重复进行，直至收敛或达到预设的时间预算，使系统能够在每次量子调用保持低成本的同时逐步提升全局解的质量。

整体流程类似于分而治之的策略：量子硬件处理每个簇的“硬核”部分，而经典端则将各个片段拼接在一起。

结果与发现

关键要点

• 可扩展性： DQOF 随可用量子处理器数量线性扩展；增加节点可降低实际运行时间，同时不牺牲解的质量。
• 质量提升： 直接的高阶编码相较于仅二次化约，可使解接近真实最优值最高提升 20%。
• 硬件可行性： 所有量子电路均在当前超导量子比特的误差预算内（两比特门错误率 ≤ 15 %），确认了近期可应用性。

实际意义

• 设计自动化: 从事光子、射频或材料设计的工程师可以将 DQOF 嵌入现有的仿真流水线，以探索涉及多参数耦合（例如相位匹配约束）的更丰富的设计空间。
• 供应链优化: 多模路由或库存布局等问题通常具有高阶成本项（例如批量折扣）。DQOF 提供了一种在不导致问题规模爆炸的情况下捕获这些成本项的方法。
• 混合云服务: 云服务提供商可以将 DQOF 作为“量子加速优化器”服务提供，用户提交 HUBO 模型后，平台会自动将工作负载划分并在一组量子处理器上运行。
• 算法研究: 聚类与消息传递范式为其他量子增强算法（例如量子辅助蒙特卡罗）提供了模板，这些算法需要保持浅层结构但仍能受益于量子并行性。

限制与未来工作

• 噪声敏感性： 虽然浅层电路可以减轻退相干，但该方法仍然依赖相对较低的两比特错误率；对噪声更大的设备需要错误缓解技术。
• 簇重叠开销： 重叠的簇会产生冗余；过度重叠会削弱加速效果，因此在极其稠密的图中需要更智能的划分启发式方法。
• 硬件访问： 当前演示使用了数量有限的量子处理器；要扩展到数百台设备，需要可靠的编排中间件和标准化的 API。
• 对非二进制变量的扩展： 该框架目前假设二进制决策变量；将其扩展到整数或连续域（通过离散化或混合编码）是一个开放的研究方向。

总体而言，DQOF 标志着向将量子优化打造为面向当今工业重要的大规模高阶问题的实用工具迈出的具体一步。

作者

• Seongmin Kim
• Vincent R. Pascuzzi
• Travis S. Humble
• Thomas Beck
• Sanghyo Hwang
• Tengfei Luo
• Eungkyu Lee
• In‑Saeng Suh

论文信息

• arXiv ID: 2604.20599v1
• Categories: quant-ph, cs.CE, cs.DC
• Published: 2026年4月22日
• PDF: Download PDF