Ushbu tadqiqot kombinatorik optimallashtirish masalalarini yechishda qoʻllanadigan koʻp burchakli Kvant Taxminiy Optimallashtirish Algoritmining (Multi-Angle Quantum Approximate Optimization Algorithm, MA-QAOA) klassik optimallashtirish yukini kamaytirgan holda yechim sifatini saqlab qolishni maqsad qiladi. Tadqiqotchilar buning uchun Orbit-QAOA deb nomlangan oʻqitish yondashuvini ishlab chiqadilar: kvant sxemasining barcha parametrlarini bir vaqtning oʻzida yangilash oʻrniga, har bir oʻqitish qadamida faqat bitta QAOA qatlami yangilanadi, qatlamlar round-robin tartibida qayta-qayta koʻrib chiqiladi va xarajat funksiyasiga endi mazmunli hissa qoʻshmayotgan qatlamlar tanlab muzlatiladi. Turli Max-Cut grafik tajribalarida Orbit-QAOA standart MA-QAOA bilan taqqoslanadigan taxminiy kesish nisbatiga erishar ekan, kamroq oʻqitish qadami talab qiladi; biroq natijalar haqiqiy kvant protsessorlaridan emas, PennyLane muhitida bajarilgan chekli namuna olishli kvant sxemasi simulyatsiyalaridan olingan.

Olti kubitli va besh qatlamli asosiy taqqoslashda standart MA-QAOA, RR va Orbit-QAOA usullarining geometrik oʻrtacha taxminiy kesish nisbati (Approximated Cut Ratio, ACR) 0,999 deb hisobot qilingan. Orbit-QAOAning geometrik oʻrtacha yaqinlashish qadami 24,5, standart MA-QAOAniki esa 32,9; manba ushbu taqqoslash toʻplamida Orbit zarur oʻqitish qadamlarini oʻrtacha %25,4, jami simulyatsiya ishlash vaqtini esa taxminan %35 kamaytirganini bildiradi. Kengroq baholashlarda standartlashtirilgan toʻxtatish sharti qoʻllangan LMA-QAOA hosilasiga nisbatan oʻqitish qadamlarida %81,8 gacha kamayish va yaqinlashish nisbati xatosida 72 martagacha kamayish qayd etilgan.

Tadqiqotning muhim natijasi shunchaki “kamroq parametrni yangilash” emas. Tadqiqotchilar tajribalari QAOA qatlamidagi parametrlarning faqat yarmini yoki uchdan birini yangilash kabi qatlam ichidagi boʻlinishlar yaqinlashishni sekinlashtirishi mumkinligini koʻrsatadi. Bunga qarshi ravishda bitta toʻliq QAOA qatlamini yagona optimallashtirish birligi sifatida yangilash klassik optimallashtirish yuki bilan yaqinlashish xatti-harakati oʻrtasida samarali granulyarlik sifatida topilgan. Avval oʻqitilgan qatlamlarni doimiy ravishda muzlatib qoʻyish oʻrniga ularni qayta koʻrib chiqish ham yangi qatlamlar hosil qilgan oʻzgargan parametr landshaftiga moslashish imkonini beradi.

Turkiya nuqtayi nazaridan tadqiqot maʼlum bir mamlakat infratuzilmasini yoki Turkiyadagi kvant kompyuter tizimini baholamaydi. Shuning uchun qayd etilgan tezlashuv nisbatlari Turkiyadagi qurilmalarga bevosita koʻchiriladigan unumdorlik koʻrsatkichlari emas. Usul Turkiyadagi kvant algoritmlari yoki yuqori unumdor hisoblash tadqiqotlariga tatbiq etiladigan boʻlsa, ayni QAOA masalasi, sxema chuqurligi, namuna olish soni, klassik optimallashtirish usuli hamda haqiqiy yoki simulyatsiyalangan kvant infratuzilmasi sharoitida qayta tasdiqlanishi kerak.

QAOA qaysi muammoni hal qilishga urinadi?

Kvant Taxminiy Optimallashtirish Algoritmi (Quantum Approximate Optimization Algorithm, QAOA) kombinatorik optimallashtirish masalalari uchun kvant va klassik hisoblashni birgalikda ishlatadigan variatsion algoritmdir. Tadqiqotda asosiy sinov masalasi sifatida Maximum Cut (Max-Cut) tanlangan. \(G=(V,E)\) grafida maqsad tugunlarni ikki alohida toʻplamga ajratib, ikki toʻplam orasida qoladigan qirralar sonini imkon qadar oshirishdir.

Manba Max-Cut xarajat Hamiltonianini quyidagicha taʼriflaydi:

\[ C = \frac{1}{2} \sum_{(i,j)\in E} \left( 1-\sigma_z^i\sigma_z^j \right) \]

Bu yerda \(E\) grafning qirralar toʻplamini, \(\sigma_z^i\) va \(\sigma_z^j\) esa tegishli kubitlarga qoʻllanadigan Pauli-Z operatorlarini ifodalaydi. Qirraning ikki uchidagi bitlar turli toʻplamlarga joylashtirilganda kesishga hissa qoʻshgani uchun maqsad oʻlchanadigan kesish sonining kutilma qiymatini yuqori ushlab turuvchi sxema parametrlarini topishdir.

Boshlangʻich kvant holati barcha hisoblash bazisi holatlarining teng superpozitsiyasidir:

\[ |\psi_0\rangle = H^{\otimes n}|0\rangle^{\otimes n} = |+\rangle^{\otimes n} \]

\(p\) qatlamli standart QAOA holati esa xarajat va aralashtiruvchi Hamiltonianlarning navbatma-navbat qoʻllanishi orqali hosil qilinadi:

\[ |\psi_p(\boldsymbol{\gamma},\boldsymbol{\beta})\rangle = \left[ \prod_{l=1}^{p} U_M(\beta_l)U_C(\gamma_l) \right] |\psi_0\rangle \]

Standart QAOAda bir qatlamdagi xarajat hadlari umumiy \(\gamma_l\), aralashtiruvchi hadlar esa umumiy \(\beta_l\) parametrini baham koʻradi.

Multi-Angle QAOA nega qimmatroq?

Multi-Angle QAOA (MA-QAOA) bir qatlamdagi har bir Hamiltonian hadiga mustaqil variatsion parametr biriktiradi. Shu tariqa standart QAOAga qaraganda yuqoriroq ifodalash quvvati olinadi. Manbada bir qatlamdagi xarajat va aralashtiruvchi operatorlar quyidagicha berilgan:

\[ U_C^{(l)} = \prod_{(i,j)\in E} \exp \left( i\gamma_l^{(i,j)} \sigma_z^i\sigma_z^j \right) \]

\[ U_M^{(l)} = \prod_{j=1}^{n} \exp \left( -i\beta_l^{(j)} \sigma_x^j \right) \]

Grafda \(m\) qirra, \(n\) tugun va sxemada \(p\) qatlam boʻlganda MA-QAOA parametr fazosi taxminan \(O(pm+pn)\) kattalikdadir. Standart bir burchakli QAOAda esa har bir qatlam uchun faqat bitta xarajat va bitta aralashtiruvchi burchak boʻlgani sabab parametrlar soni \(O(2p)\) masshtabidadir. MA-QAOAning yuqoriroq ifodalash quvvati evaziga klassik optimizator koʻproq parametrlar ustida gradient va yangilash hisoblarini bajarishi kerak boʻladi.

LMA-QAOAning asosiy muammosi nima?

Layerwise Multi-Angle QAOA (LMA-QAOA) klassik optimallashtirish yukini kamaytirish uchun sxemani qatlamma-qatlam kengaytiradi. Yangi qatlam qoʻshilganda faqat shu qatlam parametrlari oʻqitiladi; oldingi qatlamlarning parametrlari muzlatiladi. Shu tariqa bitta oʻqitish bosqichidagi samarali parametr oʻlchami \(O(pm+pn)\) oʻrniga taxminan \(O(m+n)\) darajasiga tushirilishi mumkin.

Biroq tadqiqotchilar oldingi qatlamlarni doimiy ravishda muzlatish boshqa muammo tugʻdirishini kuzatadilar. Sxemaga yangi qatlam qoʻshilishi butun optimallashtirish landshaftini oʻzgartirgani uchun sayozroq sxemada yaxshi ishlagan eski parametrlar chuqurroq sxema uchun xuddi shunday mos boʻlmasligi mumkin.

Bu holat manbada olti tugunli Sherrington–Kirkpatrick (SK) modeli orqali bevosita oʻrganiladi. 1-jadvalda \(p=1\), \(p=2\) va \(p=3\) uchun oʻqitilgan aralashtiruvchi Hamiltonian parametrlari taqqoslanadi. \(p=1\) holatidagi birinchi qatlam parametrlari \(p=2\) va \(p=3\) sxemalarida yuzaga kelgan parametr tuzilmalariga oʻxshamasligi kuzatiladi. Tadqiqotchilar buni sayoz sxemada optimallashtirilgan qatlamni chuqurroq sxemaga bevosita koʻchirish har doim ham yaxshi warm-start bermasligiga doir eksperimental ishora sifatida talqin qiladilar.

Orbit-QAOAning asosiy gʻoyasi nima?

Orbit-QAOA LMA-QAOAning “bir marta oʻqit, soʻng doimiy muzlat” yondashuvini oʻzgartiradi. Sxemaning barcha qatlamlari boshidan mavjud boʻladi; ammo har bir oʻqitish qadamida faqat bitta qatlamning \(\gamma_l\) va \(\beta_l\) parametrlari yangilanadi. Keyingi qadamda boshqa qatlamga oʻtiladi va faol qatlamlar davriy ravishda qayta koʻrib chiqiladi.

Bir \(l\) qatlami yangilanayotganida boshqa barcha qatlamlarning eng soʻnggi parametrlari oʻzgarmas holda saqlanadi. Shu tariqa bir qatlam boshqa qatlamlarda avval amalga oshirilgan oʻzgarishlarga mos ravishda qayta moslashtirilishi mumkin. Tadqiqotning asosiy gipotezasi shuki, bu usul MA-QAOAning ifodalash quvvatini saqlagan holda har bir qadamda klassik optimizator ishlov berishi kerak boʻlgan parametrlar sonini kamaytirishi mumkin.

Qatlam qachon muzlatiladi?

Orbit-QAOAning tanlab muzlatish mexanizmi qatlam yangilanishidan oldin va keyin oʻlchangan xarajat oʻzgarishidan foydalanadi:

\[ \Delta C_l^{(t)} = C_l^{\mathrm{after}} - C_l^{\mathrm{before}} \]

Agar

\[ |\Delta C_l^{(t)}| < \varepsilon \]

sharti bajarilsa, tegishli qatlam yetarlicha barqaror deb qabul qilinadi va faol qatlamlar toʻplamidan chiqariladi:

\[ A^{(t+1)} = A^{(t)}\setminus\{l\} \]

Bu tuzilma butun sxemani bitta global toʻxtatish qaroriga bogʻlash oʻrniga, har bir qatlam qancha taraqqiyot berayotganini alohida kuzatishni maqsad qiladi.

Nega ε = 0,001 tanlangan?

Manba chekli oʻlchovlar soni xarajat funksiyasida oʻlchanishi mumkin boʻlgan eng kichik oʻzgarishni cheklashini taʼkidlaydi. Agar sxema har bir baholashda \(S\) shot bilan namunalansa, bitta oʻlchov natijasining bir kesish darajasidan qoʻshni darajaga siljishi kutilayotgan kesish sonida eng kichik

\[ \Delta C=\frac{1}{S} \]

oʻzgarishini hosil qiladi.

Tajribalarda \(S=1024\) shot ishlatiladi. Shunga koʻra \(1/S\) taxminan 0,0009766 boʻlib, tadqiqotchilar faollik chegarasini ε = 0,001 deb tanlaydilar. Sabab chegara qiymatini namunalash aniqligidan sal yuqorida ushlab, oʻlchov kvantlanishidan kelib chiqadigan juda kichik oʻzgarishlarni haqiqiy oʻqitish taraqqiyoti sifatida baholamaslikdir.

Manbaning keyingi chegara sezgirligi tajribalari ε kattalashganda qatlamlar erta muzlatilishi va yakuniy ACR yomonlashishi mumkinligini koʻrsatadi. 8-rasmda ε, \(1/S\) bilan \(125/S\) oraligʻida skanerlanadi. ε qiymati \(10/S\) va undan yuqoriga chiqqanda unumdorlik yoʻqotilishi koʻrina boshlaydi; tadqiqotchilar yetarli ifodalash quvvatini saqlagan holda muzlatishdan foydalanish uchun chegarani taxminan \(5/S\) dan biroz pastda saqlashni tavsiya qiladilar.

Eng samarali yangilash granulyarligi qaysi?

Tadqiqotning muhim tajribalaridan biri bitta oʻqitish qadamida qancha katta parametr guruhi yangilanishi kerakligini oʻrganadi. 2-rasmda \(k\) qiymati bitta QAOA qatlamining nechta quyi qismga boʻlinganini koʻrsatadi:

• k = 0,5: bir qadamda ikki qatlam yangilanadi.
• k = 1: bir qadamda toʻliq bitta QAOA qatlami yangilanadi; bu Orbit-QAOAning asosiy granulyarligidir.
• k = 2: qatlam parametrlarining yarmi yangilanadi.
• k = 3: qatlam parametrlarining uchdan biri yangilanadi.
• k = 2 (parallel): qatlamning ikki yarmi bir vaqtda yangilanib, natijalar birlashtirishga uriniladi.

Power-Law va Sherrington–Kirkpatrick tajribalarida \(k=1\) bilan ikki qatlamni bir qadamda yangilovchi \(k=0,5\) egri chiziqlari bir-biriga juda yaqin kechadi. Bunga qarshi ravishda \(k=2\) va \(k=3\) kabi toʻliq qatlamdan kichik parametr guruhlari yaqinlashishni sekinlashtiradi. Power-Law misolida \(k=1\) taxminan 130 qadam atrofida ACR ≈ 1 ga yaqinlashsa, \(k=2\) shunga oʻxshash darajaga taxminan 190 qadamda erishadi.

Parallel \(k=2\) yondashuvi esa bir qatlamning oʻzaro bogʻliq parametr guruhlarini bir vaqtda yangilaganda izchil gradient yaxshilanish yoʻnalishini hosil qila olmaydi va manbada ACR doimiy ravishda ilgarilamagani koʻrinadi. Tadqiqotchilar ushbu tajribalardan bitta toʻliq QAOA qatlami samarali oʻqitish uchun eng kichik maqbul parametr granulyarligi ekanligi xulosasiga keladilar.

Qatlamlar tartibi muhimmi?

3-rasm 11 kubitli va \(p=5\) yoki \(p=10\) qatlamli sxemalarda qatlamlarni sobit tartibda yoki har bir round-robin aylanishida tasodifiy tartibda yangilashni taqqoslaydi. Path, Power-Law va Sherrington–Kirkpatrick grafiklarida ikki tanlovning ACR egri chiziqlari bir-biriga ancha yaqin. Manba bu natijani MA-QAOA qatlamlarining yuqori parametr ifodalash quvvati tufayli Orbit-QAOA qatlamlarni tashrif buyurish tartibiga nisbatan barqaror ekanligi sifatida talqin qiladi.

Tadqiqot qaysi grafik turlarini sinaydi?

Max-Cut tajribalari sakkiz xil maqsadli grafik modelini oʻz ichiga oladi:

• Path,
• Power-Law (PL),
• Erdős–Rényi (ER),
• Barabási–Albert (BA),
• Bianconi–Barabási (BB),
• Watts–Strogatz (WS),
• Sherrington–Kirkpatrick (SK),
• Randomly connected (RA).

Bu xilma-xillik usulning faqat bitta grafik topologiyasida baholanmasligini taʼminlaydi; biroq barcha tajribalar baribir bir xil asosiy Max-Cut/QAOA doirasi va simulyatsiya muhiti ichidadir.

ACR nimani oʻlchaydi?

Approximated Cut Ratio (ACR) oʻqitilgan QAOA sxemasining oʻlchov natijalaridan olingan kutilayotgan kesish qiymatining ayni grafning haqiqiy maksimal kesish yechimiga nisbatidir. Qiymat 0 bilan 1 oraligʻida; 1 ga yaqinlashishi olingan taxminiy yechim haqiqiy Max-Cut qiymatiga yaqinlashganini anglatadi.

Manba, shuningdek, kichik ACR faqat oʻqitish algoritmi muvaffaqiyatsiz boʻlganini anglatmasligini taʼkidlaydi. Yetarli boʻlmagan sxema chuqurligi ifodalash quvvatini cheklashi mumkin; juda katta parametr fazolarida gradientlar zaiflashadigan barren plateau xatti-harakati yuzaga kelishi mumkin va haqiqiy kvant apparatida fizik shovqin ham optimallashtirish landshaftiga taʼsir koʻrsatishi mumkin.

5-rasm va 3-jadval nimani koʻrsatadi?

Olti kubitli, besh qatlamli QAOA sxemalari Power-Law, Erdős–Rényi, Barabási–Albert, Bianconi–Barabási, Watts–Strogatz va Sherrington–Kirkpatrick grafiklarida besh oʻqitish strategiyasi bilan taqqoslanadi: MA, LMA, LMA+, RR va Orbit.

Standartlashtirilgan toʻxtatish sharti qoʻllangan usullar orasida asosiy natijalar quyidagicha:

Orbit-QAOA ushbu tajriba guruhida MA-QAOA bilan bir xil 0,999 geometrik oʻrtacha ACRni saqlagan holda kamroq oʻqitish qadami va pastroq jami simulyatsiya vaqti bilan natijaga erishadi. LMA+ har bir qadam uchun pastroq parametr yangilash xarajatiga ega boʻlsa-da, dastlabki qatlamlarni qayta optimallashtira olmagani sabab yakuniy ACR 0,971 da qoladi va yaqinlashish uchun koʻproq qadam talab qiladi.

Sxema chuqurligi oshganda nima boʻladi?

4-rasm va 2-jadval Orbit-QAOAning \(p=1\), \(p=2\) va \(p=3\) qatlamli sayoz sxemalardagi xatti-harakatini oʻrganadi. Path, Power-Law va Sherrington–Kirkpatrick grafiklarida 5, 10, 15 va 20 kubitli misollar ishlatiladi.

Barcha bu misollarning geometrik oʻrtachasida ACR \(p=1\) uchun 0,801, \(p=2\) uchun 0,948 va \(p=3\) uchun 0,959. Manba buni \(p=1\) ga nisbatan mos ravishda %18,4 va %19,7 oʻsish deb qayd etadi. Yanada eʼtiborga molik natija shuki, yaqinlashish qadamlarining soni qatlam soni bilan oshmaydi: geometrik oʻrtacha qadamlar soni \(p=1\) uchun 71,6, \(p=2\) uchun 52,8 va \(p=3\) uchun 35,6 deb berilgan.

Tadqiqotchilar bu xatti-harakatni chuqurroq sxemaning oshgan ifodalash quvvati va Orbitning barqaror qatlamlarni oʻqitish jadvalidan chiqarishi bilan izohlaydi. Biroq bu natija “chuqurroq kvant sxemasi har doim tezroq” degan umumiy qoida emas; u tadqiqotning muayyan grafik, optimizator va simulyatsiya sharoitlarida kuzatilgan xatti-harakatidir.

Chuqurroq sxemalarda MA-QAOA bilan farq qancha?

4-jadvalda turli ulanish nisbatlariga ega tasodifiy grafiklarda MA-QAOA va Orbit-QAOA taqqoslanadi. Har ikki usul uchun geometrik oʻrtacha ACR 0,999. MA-QAOAning geometrik oʻrtacha yaqinlashish qadami 54,56 boʻlsa, Orbit-QAOA uchun 36,55. Manba Orbit zarur oʻqitish qadamlarini oʻrtacha %25,52, tekshirilgan alohida shartlardan birida esa eng koʻpi bilan %59,26 kamaytirganini bildiradi.

Jadvalga kiritilgan eng katta kamayish ulanish nisbati \(r=0,2\) va \(p=11\) boʻlgan holatda kuzatiladi: MA-QAOA 81, Orbit-QAOA 33 yaqinlashish qadami talab qiladi va ikkalasi ham 0,999 ACR qiymatiga erishadi.

Faol qatlamlar soni oʻqitish davomida qanday oʻzgaradi?

6-rasm va 7-rasm 21 kubitli Power-Law va Barabási–Albert grafiklarida Orbit-QAOAning faol qatlamlar sonini kuzatadi. Power-Law grafida ACR 1 ga yaqinlashgach faol qatlamlar soni tez kamayadi; yaʼni koʻplab qatlamlar qisqa muddatda muzlatiladi va yakuniy nozik sozlash bir necha qatlamga qoladi.

Barabási–Albert grafiklarida vaziyat boshqacha. Ayniqsa past \(p\) qiymatlarida cheklangan sxema ifodalash quvvati tufayli ACR taxminan 0,975 atrofida yakunlanishi mumkin va qatlamlarning koʻpi oʻqitish oxirigacha faol qoladi. Yuqoriroq \(p\) qiymatlarida ACR ilgarilashda davom etgan sari muzlatish jarayoni ham kechroq yuz beradi. Manba buni Orbitning qatlam muzlatish xatti-harakati maqsad grafik tuzilishi va sxema chuqurligiga moslasha olishining koʻrsatkichi sifatida baholaydi.

Quantum Alternating Operator Ansatzga kengaytirilganda nima boʻladi?

Orbit yondashuvi faqat standart MA-QAOA aralashtirgichi bilan sinovdan oʻtkazilmaydi. Tadqiqot quantum alternating operator ansatz doirasida XY-mixer va Y-mixer Hamiltonianlari bilan 13 kubit, besh qatlamli Path, Power-Law va Sherrington–Kirkpatrick sxemalarini ham oʻrganadi.

5-jadvalning geometrik oʻrtachasida MA ham, Orbit ham 0,999 ACR oladi. MAning yaqinlashish qadami 64,9 boʻlsa, Orbitniki 40,7; manba buni taxminan %37,3 kamroq oʻqitish qadami deb qayd etadi. GIPS esa MA uchun 0,206 dan Orbit uchun 0,326 ga oshadi va manba buni taxminan %58,3 yaxshilanish sifatida ifodalaydi.

Bir burchakli QAOAda usul ishlaydimi?

Tadqiqotning soʻnggi kengaytirish tajribasi Orbitni single-angle QAOAga qoʻllaydi. Path va Power-Law grafiklarida 8, 10 va 12 kubitli, besh qatlamli sxemalar taqqoslanadi.

6-jadvalda standart Single-Angle QAOAning geometrik oʻrtacha ACRi 0,933, Orbitning geometrik oʻrtacha ACRi ham 0,933. Oʻrtacha yaqinlashish qadami 45,2 dan 36,2 ga tushadi; bu %19,9 kamayishga teng. Geometrik oʻrtacha simulyatsiya vaqti 521,6 soniyadan 363,0 soniyaga tushadi va manba taxminan %30,4 kamayishni bildiradi.

Manba ichidagi tahririy qayd: 6.7.2-boʻlimda ushbu natija bayon qilinayotganda “RR achieves an average ACR of 0.933” iborasi ishlatiladi. Biroq tegishli 10-rasm va 6-jadval taqqoslashida keltirilgan usullar SA, LSA, LSA+ va Orbit boʻlib, RR alohida satr sifatida mavjud emas. Shu sabab manba matnidagi “RR” iborasi ushbu maqolada sukut bilan Orbitga almashtirilmagan, balki manba nomuvofiqligi sifatida qayd etilgan.

Tasodifiy boshlangʻich parametrlarda natija saqlanadimi?

12-rasm 7 kubitli va besh qatlamli tasodifiy grafiklarda uchta ulanish nisbati uchun besh xil tasodifiy boshlangʻich bilan MA-QAOA va Orbit-QAOAni taqqoslaydi. Siyrak \(r=0,3\) grafiklarda Orbit 0,99 dan yuqori ACRga erishish uchun oʻrtacha MA-QAOAga qaraganda %51 dan koʻproq kam oʻqitish qadami talab qilishi bildiriladi.

Zich \(r=0,9\) grafiklarda ikkala usul ham dastlabki besh qadam ichida 0,97 dan yuqori ACRga erisha oladi; farq ayniqsa yakuniy nozik sozlash bosqichida yuzaga chiqadi. Orbit 0,999 ACRga erishish uchun %35 dan koʻproq kam qadam ishlatgani qayd etiladi.

Haqiqiy kvant qurilmalari haqida tadqiqot nima deydi?

Tadqiqot haqiqiy kvant apparatida Orbit-QAOA oʻqitishini bajarmaydi. Buning oʻrniga muhokama boʻlimida kelajakdagi qurilmalar uchun ikki xil ssenariyni baholaydi. Fizik xato darajasi yuqori boʻlsa, sxema chuqurligini cheklash zarurligi; xato darajasi yetarlicha past, ammo ishlash tezligi sekin boʻlsa, Orbitning chuqurroq sxemalarda kamroq oʻqitish epochini talab qilishi afzallik berishi mumkinligi ilgari suriladi.

Bu qism eksperimental apparat tasdigʻi emas, balki simulyatsiya natijalaridan kelib chiqadigan metodologik bahodir. Manba, shuningdek, haqiqiy apparatdagi jami vaqt faqat sxema chuqurligi bilan belgilanmasligi mumkinligini muhokama qiladi; biroq Orbit haqiqiy kvant protsessorda xuddi shu foizlarda tezlashuv berishi ushbu tadqiqotda oʻlchanmagan.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• MA-QAOA oʻqitishida bitta toʻliq qatlamni yagona yangilash birligi qilish, oʻrganilgan qatlam ichidagi yangilashlarga qaraganda samaraliroq granulyarlikdir.
• Avval oʻqitilgan qatlamlarni doimiy muzlatish sxema chuqurligi oʻzgargan sari parametrlarning yangi optimallashtirish landshaftiga moslashishini cheklashi mumkin.
• Qatlamlarni round-robin tartibida qayta koʻrib chiqish standart MA-QAOA bilan taqqoslanadigan ACR qiymatlariga erishishi mumkin.
• Barqaror qatlamlarni tanlab muzlatish keraksiz parametr yangilanishlarini kamaytirishi mumkin.
• Olti kubitli, besh qatlamli asosiy taqqoslashda Orbit-QAOA 0,999 geometrik oʻrtacha ACRni saqlab, MA-QAOAga nisbatan kamroq yaqinlashish qadami va pastroq jami simulyatsiya vaqtini koʻrsatgan.
• Orbit yondashuvi tadqiqot tajribalarida quantum alternating operator ansatz va single-angle QAOA tuzilmalariga ham qoʻllanilgan.

Tadqiqot qoʻllab-quvvatlamaydigan yoki isbotlamaydigan natijalar

• Orbit-QAOA haqiqiy kvant kompyuterlarida ayni nisbatlarda tezlashishi koʻrsatilmagan.
• Simulyatsiya vaqtining qisqarishi haqiqiy kvant apparatida xuddi shu nisbatda devor-soat vaqti yoki energiya sarfi kamayishini anglatmaydi.
• Tadqiqot barcha kombinatorik optimallashtirish masalalarida Orbit-QAOA ustunligini isbotlamaydi; asosiy tajribalar Max-Cut va muayyan grafik oilalaridadir.
• Chuqurroq sxemalar har bir kvant apparati va har bir muammoda tezroq yaqinlashadi degan xulosa chiqarib boʻlmaydi.
• 0,999 ACR haqiqiy kvant ustunligi yoki klassik algoritmlarga nisbatan ustunlik dalili emas.
• Chekli-shot simulyator tajribalari haqiqiy qurilma shovqini, kalibrlash xatolari va apparat ulanish cheklovlarini toʻliq ifodalamaydi.

Tadqiqot usuli va natijalari

Eksperimental hisoblash muhiti

Tadqiqot haqiqiy kvant protsessorida emas, kvant sxemasi simulyatorida bajarilgan. Bu farq ayniqsa ishlash vaqti natijalari baholanganda muhimdir.

Taqqoslangan oʻqitish ssenariylari

Yaqinlashish qadami qanday taʼriflangan?

Standart toʻxtatish sharti qoʻllanmagan asl LMA-QAOA uchun har bir qatlamga sobit miqdordagi oʻqitish qadami ajratiladi. Boshqa usullarda esa oʻqitish faol qatlamlar yaxshilanishi ε chegarasidan pastga tushganda yakunlanadi.

Manba yaqinlashish qadamini oʻqitish davomida kuzatilgan maksimal ACRning %99,9 iga birinchi marta erishilgan qadam sifatida taʼriflaydi. Shu sabab “# Steps” shunchaki jami ishga tushirishlar soni emas, manbaning maxsus yaqinlashish mezoniga bogʻliq metrikadir.

Runtime Per Step qanday hisoblangan?

Runtime Per Step (RPS) quyidagicha taʼriflanadi:

\[ \mathrm{RPS} = \frac{\mathrm{Toplam\ simülasyon\ süresi\ (s)}} {\#\mathrm{Steps}} \]

Bu vaqt kvant sxemasi simulyatsiyasi va klassik optimizatorning parametr yangilash yukini birgalikda oʻz ichiga oladi. Manba simulyatsiya ishlash vaqtining qisqarishi haqiqiy kvant apparatidagi ishlash vaqtiga birma-bir oʻtkazib boʻlmasligini ochiq ravishda taʼkidlaydi.

GIPS metrikasi va manbadagi ishora nomuvofiqligi

Gradient Improvement Per Step (GIPS) manbada quyidagicha taʼriflanadi:

\[ \mathrm{GIPS} = \frac{ C_0-C_{\mathrm{converged}} }{ \#\mathrm{Steps} } \]

Manbaning ushbu boʻlimida QAOA xarajat funksiyasini minimallashtirishi va shu sabab GIPS odatda musbat boʻlishi aytiladi. Bunga qarshi ravishda tadqiqotning Max-Cut kirish qismida \(\langle C\rangle\) qiymati klassik optimizator tomonidan maksimallashtirilishi tushuntiriladi va Orbitning ayrim usul tenglamalari `arg min` koʻrinishida yozilgan. Shuning uchun manba boʻylab xarajat funksiyasining ishora/yoʻnalish konvensiyasi toʻliq bir maʼnoli emas.

Ushbu Verianla izohida mazkur farq sukut bilan tuzatilmagan. GIPS qiymatlari manbada xabar qilingan shaklda berilgan; ACR taqqoslashlari esa toʻgʻridan-toʻgʻri tadqiqot jadvallaridagi natijalarga asoslangan.

Olti kubitli, besh qatlamli asosiy taqqoslash tafsilotlari

Ushbu jadvalda Orbit barcha olti grafda MA-QAOA bilan bir xil 0,999 ACR qiymatiga erishar ekan, manbada belgilangan yaqinlashish qadamini har bir misolda pastroq saqlaydi. Biroq bu natijalarning barchasi olti kubitli, besh qatlamli va manbada belgilangan simulyatsiya muhitiga tegishlidir.

Usulning eng muhim cheklovlari

• Tajribalar haqiqiy kvant apparatida bajarilmagan.
• Ishlash vaqti taqqoslashlari simulyatsiya va klassik optimizator yukini oʻz ichiga oladi.
• Haqiqiy qurilmalardagi fizik shovqin asosiy unumdorlik jadvallarida eksperimental ravishda qoʻllanmagan.
• Tajribalarning asosiy optimallashtirish masalasi Max-Cutdir.
• Faollik chegarasini tanlash natijalarga taʼsir qiladi; chegara juda yuqori boʻlsa qatlamlar erta muzlatilishi mumkin.
• Sxema chuqurligi bilan yaqinlashish oʻrtasidagi ijobiy munosabat sinovdan oʻtkazilgan muammo va konfiguratsiyalar bilan cheklangan.
• Tadqiqotda yaratilgan yoki tahlil qilingan mustaqil maʼlumotlar toʻplami mavjud emas; natijalar kvant sxemasi simulyatsiyalaridan olingan.

Manba va usul haqida izoh

Yuklangan manbaning toʻliq asl sarlavhasi:A Cyclic Layerwise QAOA Training.

Mualliflar, manbadagi tartibda: Enhyeok Jang; Zihan Chen; Dongho Ha; Seungwoo Choi; Yongju Lee; Jaewon Kwon; Eddy Z. Zhang; Yipeng Huang; Won Woo Ro.

Teng hissa/teng birinchi muallif: Yuklangan manbada teng birinchi mualliflik yoki teng hissa bayonoti mavjud emas.

Masʼul muallif: Won Woo Ro.

Muassasalar: School of Electrical and Electronic Engineering, Yonsei University, Seoul, Korea; Department of Computer Science, Rutgers University, Piscataway, NJ, United States; Dongho Ha uchun manbada “Unaffiliated, Seoul, Korea” iborasi ishlatiladi.

Yuklangan manba turi: arXiv versiyasi, arXiv:2601.20029v1 [quant-ph], 27-yanvar 2026. Yuklangan ish arXiv versiyasidir va oʻzi taqrizdan oʻtgan jurnal nusxasi emas. Biroq ayni ishning taqrizdan oʻtgan nashr qilingan versiyasi mavjud.

arXiv DOI: 10.48550/arXiv.2601.20029.

Taqrizdan oʻtgan nashr versiyasi: Ayni ish rasmiy Springer qaydida “Layerwise retraining and freezing for multi-angle QAOA” sarlavhasi bilan nashr qilingan. Yuklangan arXiv sarlavhasi va taqrizdan oʻtgan nashr sarlavhasi bir xil emas; bu farq sukut bilan birlashtirilmagan.

Jurnal:Quantum Machine Intelligence.

Jild va maqola raqami: Volume 8, Article 5 (2026).

Taqrizli nashr DOI: 10.1007/s42484-026-00357-w.

Nashriyot: Springer Nature.

Taqrizli nashr sanalari: Qabul qilingan: 20-iyul 2025; qabul qilingan: 7-yanvar 2026; nashr/version of record: 26-yanvar 2026.

Rasmiy havolalar:https://arxiv.org/abs/2601.20029 va https://doi.org/10.1007/s42484-026-00357-w.

Litsenziya: arXiv qaydi yuklangan versiya uchun CC BY 4.0 litsenziyasiga yoʻnaltiradi. Taqrizdan oʻtgan Springer versiyasida maqola huquqlari nashr kelishuvi doirasida Springer Nature yoki tegishli huquq egasiga tegishli ekani koʻrsatiladi. Ushbu Verianla maqolasida nashriyot versiyasining asl shakllari koʻchirilmagan; yuklangan manbadagi sonli maʼlumotlar va usul qadamlari koʻrinadigan HTML jadvallari bilan qayta ifodalangan.

Moliyalashtirish: Tadqiqot National Research Foundation of Korea doirasidagi “Creation of the Quantum Information Science R&D Ecosystem Based on Human Resource” loyihasi (RS-2023-00303229), United States Department of Energy Award DE-SC0025563 hamda Koreya hukumati MSIT tomonidan qoʻllab-quvvatlangan Quantum Information Research Support Center taʼlim dasturi (RS-2023-NR057243) tomonidan qoʻllab-quvvatlangan.

Maʼlumotlar mavjudligi: Manba tadqiqot davomida hech qanday maʼlumotlar toʻplami yaratilmagan yoki tahlil qilinmaganini bildiradi.

Kod mavjudligi: Kodni oqilona soʻrov boʻyicha masʼul muallifdan olish mumkinligi aytiladi.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi mavjud emasligini maʼlum qiladilar.

Muallif hissalari: Enhyeok Jang loyiha gʻoyasini ishlab chiqqan, sonli tajribalarni bajargan va dastlabki qoʻlyozmani yozgan. Zihan Chen gʻoyaning umumiy koʻrinishi va tajriba natijalarini vizuallashtirgan. Dongho Ha usul qismini tahrir qilgan. Seungwoo Choi tegishli ishlarni izlab, tahlil qilgan. Yongju Lee fon boʻlimini, Jaewon Kwon motivatsiya boʻlimini tahrir qilgan. Eddy Z. Zhang sonli tajriba natijalarini tahlil qilgan. Yipeng Huang kirish va kuzatuv boʻlimlarini tahrir qilgan hamda sonli tajribalar yozuvining oqimini boshqargan. Won Woo Ro tadqiqotni nazorat qilgan.

Manba ichidagi nomuvofiqliklar: Max-Cut xarajat kutilmasi maksimallashtirilishi haqidagi bayon bilan ayrim `arg min` va GIPS minimallashtirish iboralari orasida ishora/maqsad funksiyasi tavsifi nuqtayi nazaridan koʻrinadigan nomuvofiqlik mavjud. 6.7.2-boʻlimda 6-jadval natijasi “RR”ga nisbat berilgan boʻlsa, 6-jadvalda tegishli usul Orbit sifatida keltirilgan. 10-rasm izohida “8-qubit” iborasi ishlatilsa-da, rasm 8, 10 va 12 kubitli quyi grafiklarni oʻz ichiga oladi. Bundan tashqari Orbit-QAOA ochilmasi manba matnida “layewIse” shaklidagi imlo xatosi bilan koʻrinadi. Ushbu nuqtalar ilmiy mazmunga yangi tuzatish qoʻshilmasdan manba ichidagi tahririy muammolar sifatida saqlangan.

Ilmiy mazmun chegarasi: Ushbu Verianla maqolasidagi usul, sonli natijalar, tenglamalar va unumdorlik talqinlari yuklangan tadqiqotga asoslangan. Tashqi manbalar faqat sarlavha versiyasi, DOI, jurnal, taqriz, nashr sanasi va litsenziya kabi bibliografik maydonlarni tekshirish uchun ishlatilgan; tashqaridan yangi ilmiy natija qoʻshilmagan. Tadqiqotning asosiy unumdorlik baholari haqiqiy kvant apparatidan emas, PennyLane asosidagi kvant sxemasi simulyatsiyalaridan olingan.