ترجمه فارسی مقاله الگوریتم بهینه‌سازی تقریبی کوانتومی توزیع‌شده روی سیستم‌های یکپارچه محاسبات با کارایی بالا و محاسبات کوانتومی برای بهینه‌سازی در مقیاس بزرگ

چکیده

Quantum approximated optimization algorithm (QAOA) has shown promise for solving combinatorial optimization problems by providing quantum speedup on near-term gate-based quantum computing systems. However, QAOA faces challenges in optimizing variational parameters for high-dimensional problems due to the large number of qubits required and the complexity of deep circuits, which limit its scalability for real-world applications. In this study, we propose a distributed QAOA (DQAOA), which leverages a high-performance computing-quantum computing (HPC-QC) integrated system. DQAOA leverages distributed computing strategies to decompose a large job into smaller tasks, which are then processed on the HPC-QC system. The global solution is iteratively updated by aggregating sub-solutions obtained from DQAOA, allowing convergence toward the optimal solution. We demonstrate that DQAOA can handle considerably large-scale optimization problems (e.g., 1,000-bit problem) achieving high accuracy (~99%) and short time-to-solution (~276 s). To apply this algorithm to material science, we further develop an active learning algorithm integrated with our DQAOA (AL-DQAOA), which involves machine learning, DQAOA, and active data production in an iterative loop. We successfully optimize photonic structures using AL-DQAOA, indicating that solving real-world optimization problems using gate-based quantum computing is feasible with our strategies. We expect the proposed DQAOA to be applicable to a wide range of optimization problems and AL-DQAOA to find broader applications in material design.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم بهینه سازی تقریبی کوانتومی (QAOA) با ارائه سرعت کوانتومی در سیستم های محاسبات کوانتومی مبتنی بر دروازه نزدیک ، نوید برای حل مشکلات بهینه سازی ترکیبی را نشان داده است.با این حال ، QAOA به دلیل تعداد زیادی از Qubits مورد نیاز و پیچیدگی مدارهای عمیق ، که مقیاس پذیری آن را برای کاربردهای دنیای واقعی محدود می کند ، در بهینه سازی پارامترهای تغییر برای مشکلات بعدی با آینده روبرو است.در این مطالعه ، ما یک QAOA توزیع شده (DQAOA) را پیشنهاد می کنیم ، که از یک سیستم یکپارچه محاسبات محاسباتی با کارایی بالا (HPC-QC) استفاده می کند.DQAOA از استراتژی های محاسباتی توزیع شده برای تجزیه یک کار بزرگ در کارهای کوچکتر ، که سپس بر روی سیستم HPC-QC پردازش می شوند ، توزیع می کنند.راه حل جهانی به طور مکرر با جمع کردن زیرمجموعه های به دست آمده از DQAOA به روز می شود و امکان همگرایی به سمت راه حل بهینه را فراهم می کند.ما نشان می دهیم که DQAOA می تواند مشکلات بهینه سازی در مقیاس بزرگ (به عنوان مثال ، مشکل 1000 بیتی) دستیابی به دقت بالا (99 ٪ پوند) و زمان کوتاه به زمان (276 پوند) را برطرف کند.برای استفاده از این الگوریتم در علم مادی ، ما بیشتر یک الگوریتم یادگیری فعال را با DQAOA (al-dqaoa) یکپارچه می کنیم ، که شامل یادگیری ماشین ، DQAOA و تولید داده های فعال در یک حلقه تکراری است.ما با موفقیت ساختارهای فوتونیک را با استفاده از al-dqaoa بهینه می کنیم ، نشان می دهد که حل مشکلات بهینه سازی در دنیای واقعی با استفاده از محاسبات کوانتومی مبتنی بر دروازه با استراتژی های ما امکان پذیر است.ما انتظار داریم که DQAOA پیشنهادی برای طیف گسترده ای از مشکلات بهینه سازی و AL-DQAOA کاربردهای گسترده تری در طراحی مواد پیدا کند.