Лиева алгебра топологий XY‑миксеров и «теплый старт» QAOA для задач с ограничениями

Более умные отправные точки для квантового решения задач

Многие прикладные задачи — от выбора портфеля акций до группировки объектов в сети — сводятся к перебору огромного множества вариантов в поисках наилучшего. Квантовые компьютеры обещают ускорить такой поиск, но современные устройства испытывают трудности с обучением квантовых программ, используемых для этих задач. В статье исследуют, как особое семейство квантовых схем, построенных на так называемых XY‑взаимодействиях, можно организовать и инициализировать так, чтобы они были одновременно мощными и обучаемыми, что приводит к лучшим решениям жестких задач оптимизации с практическими ограничениями.

Почему форма квантовой схемы имеет значение

Вариационные квантовые алгоритмы работают немного похожим образом на настройку инструментов: параметры квантовой схемы многократно корректируются, чтобы минимизировать функционал стоимости, кодирующий задачу. Авторы сосредотачиваются на Квантовом Алгоритме Приближенной Оптимизации (QAOA), который широко изучается для решения трудных комбинаторных задач. Ключевой компонент QAOA — «миксер», который перемещает квантовые состояния по пространству возможных ответов. XY‑миксеры особенно привлекательны, когда допустимы только определенные ответы, например выбор ровно k элементов из n. Они автоматически сохраняют такие «кардинальные» ограничения, лишь переставляя возбуждения между кубитами, а не создавая или уничтожая их.

Когда выразительные схемы становятся необучаемыми

Есть одна загвоздка: очень гибкие квантовые схемы, как правило, трудно обучать. По мере роста выразительности схем ландшафт функционала стоимости по параметрам может становиться чрезвычайно плоским — это явление известно как «бесплодные плато» (barren plateau). В таком режиме градиенты экспоненциально малы, и обучение застывает. Авторы рассматривают эту проблему через призму «динамической Лиевой алгебры», связанной со схемой, которая охватывает все преобразования, достижимые комбинацией её вентилей. Если эта алгебра растет только полиномиально с числом кубитов, градиенты, как правило, остаются здоровыми и обучение эффективно; если же она растет экспоненциально, ожидаются бесплодные плато. Систематически анализируя разные способы соединения XY‑вентилей — например, размещение в линию, в кольцо или полносвязные соединения — авторы показывают, что простые одномерные расположения дают сравнительно небольшие, полиномиальные по размеру алгебры, тогда как полносвязные схемы или добавление большого числа двухкубитных Z‑взаимодействий быстро раздувают алгебру до экспоненциального размера.

Использование простых схем для «разогрева» сложных

Вместо того чтобы отказываться от выразительных схем, авторы предлагают стратегию «теплого старта». Они начинают с ограниченной QAOA‑схемы, использующей XY‑вентели, расположенные по циклу, вместе с одиночными вращениями кубитов вокруг оси Z. Такая ограниченная конфигурация имеет полиномиально малую алгебру, поэтому её можно эффективно обучать и даже в определённых случаях симулировать классически. На этом этапе проблемные компоненты — особенно большое число ZZ‑взаимодействий, делающих схему сильно выразительной — остаются фактически отключенными. После того как для простой схемы находятся хорошие параметры, эти значения переносятся в полную, более мощную схему, и только затем дополнительные вентили активируются и донастраиваются.

Проверка метода теплого старта

Авторы тестируют идею на трёх важных классах задач с ограничениями. В задаче оптимизации портфеля требуется выбрать фиксированное число активов для балансировки ожидаемой доходности и риска, используя реальные данные рынка из индекса S&P 500. В задаче разбиения графа необходимо разделить вершины сети на две равные части, разрезав как можно меньше связей. В задаче о наименее плотном k‑подграфе требуется выбрать подмножество фиксированного размера с минимальным числом внутренних рёбер. Для каждой задачи они кодируют функционал стоимости в квантовую гамильтониан и используют QAOA с XY‑миксерами, сохраняющими необходимые ограничения. Во множестве экземпляров и глубин схем подход с теплым стартом последовательно достигает более высоких «коэффициентов приближения» (энергий, ближе к оптимальным) и более высоких вероятностей успеха (большее весовое сосредоточение на истинно оптимальных решениях), чем схемы с случайной инициализацией, при этом преимущество растёт с увеличением размера задачи.

Лучшие квантовые ответы — из лучших начал

Для неспециалиста главный вывод таков: то, как вы прокладываете и инициализируете квантовую схему, может быть не менее важно, чем её теоретическая мощность. Тщательно выбирая компоновки XY‑миксеров с относительно простой математической структурой и сначала обучая в этом более мягком режиме, а затем переходя к более сложным схемам, авторы избегают некоторых из худших проблем обучения, сопровождающих современные квантовые алгоритмы. Их результаты показывают, что теплый старт QAOA таким образом может существенно улучшить качество решений для реалистичных задач с множественными ограничениями, и указывают на более общий принцип проектирования: использовать математически «ручабельные» подсхемы как ступени для укрощения иначе неудобных квантовых вычислений.

Цитирование: Kordonowy, S., Leipold, H. The Lie algebra of XY-mixer topologies and warm starting QAOA for constrained optimization. npj Quantum Inf 12, 61 (2026). https://doi.org/10.1038/s41534-026-01192-4

Ключевые слова: вариационные квантовые алгоритмы, QAOA, XY‑миксер, задачи с ограничениями, теплый старт