1. 量子退火与经典优化算法的性能对比研究在计算科学领域量子计算一直被视为可能带来革命性突破的技术。其中量子退火Quantum Annealing作为一种专门用于解决组合优化问题的方法近年来备受关注。然而关于量子退火是否真正具备相对于经典算法的优势学术界一直存在争议。最近发表在arXiv上的研究arXiv:2505.22514v1对这一争议提供了新的见解。该研究团队来自波兰多个研究机构包括弗罗茨瓦夫理工大学和波兰科学院等。他们通过系统性的对比实验重新评估了量子退火在解决二次无约束二进制优化QUBO问题时的性能表现。1.1 研究背景与核心问题量子优势Quantum Advantage是指量子计算机在特定问题上能够超越经典计算机的性能。这种优势可能体现在计算复杂度、运行时间或能耗等方面。在近似优化领域特别是QUBO问题的求解上量子退火曾被报道具有缩放优势Scaling Advantage。然而这一结论高度依赖于所选择的经典参考算法。早期研究中量子退火被拿来与并行回火结合等能团簇移动PT-ICM算法进行比较并显示出优势。但问题在于这种优势是否真实存在还是仅仅因为选择了不够优化的经典算法作为基准1.2 研究方法与创新点研究团队采用了模拟分岔机Simulated Bifurcation MachineSBM作为新的经典参考算法。SBM是一种基于非线性哈密顿动力学Nonlinear Hamiltonian Dynamics的启发式方法通过利用混沌行为Chaotic Behavior而非传统的热涨落来实现优化。SBM具有三个核心优势运行时效率高天生具备并行性特别适合现代GPU计算平台研究团队将SBM与量子退火使用D-Wave设备在相同的QUBO问题实例上进行了对比。这些实例来自哈佛Dataverse是基于D-Wave Advantage 4.1量子处理单元QPU的逻辑量子纠错QAC图拓扑结构生成的随机问题。1.3 关键发现与结论研究得出了几个重要结论缩放性能相当或更优SBM展现出与量子退火相当甚至更优的缩放性能有效地缩小了先前报道的量子-经典性能差距。小规模问题的局限性研究发现早期研究中分析的小规模问题N≈1.3×10³对于推断渐近缩放行为是不够的因为它们对运行时间和硬件特定因素过于敏感。大规模实验验证通过将基准测试扩展到更大的实例N≈4×10⁴远超出当前量子退火器的能力范围研究建立了更强的经典缩放行为。测量方法的影响研究强调了测量方法对结果的影响。量子退火的退火时间是一个预设参数而SBM的GPU计算时间是可以实际测量的这使得比较更加透明和可靠。最终研究得出结论在当前这一代量子退火器上不太可能在操作上有意义的条件下展示出在离散近似优化中的真正优势。2. 技术细节解析2.1 模拟分岔机SBM算法原理SBM算法受到量子绝热计算的启发属于基于非线性动力系统的算法家族。它通过以下微分方程描述˙q_i a₀p_i ˙p_i -[a₀ - a(t)] q_i c₀(∑J_{ij}f(q_j) h_i)其中f(x)采用了三元离散化方案f(x) { 0 (|x| ≤ Δ(t)), sign(x) (|x| Δ(t)) }Δ(t) 0.7 t/T是一个时间依赖的阈值T是演化的总时间。该系统的非线性主要来源于位于|q_i|1处的完全非弹性壁。当|q_i|1时q_i被替换为sign(q_i)并且p_i被设为0。2.2 实验设计与评估指标研究采用了时间到εTime-to-epsilonTTε作为主要评估指标定义为TTε t_f · log(1 - 0.99)/log(1 - p_{E≤E0ε|E0|})其中t_f是生成样本所花费的时间p_{E≤E0ε|E0|}是找到能量在真实基态能量E0的ε范围内的解的概率对于每个实例研究人员计算了100次独立运行的平均运行时间t_f和概率p_{E≤E0ε|E0|}然后对所有固定大小N的实例取TTε的中值[TTε]_{Med}。2.3 参数优化与调整在SBM实现中有三个关键超参数需要优化时间步长Δt步数N_sT N_sΔt副本数N_r研究发现对于小规模实例能量级间距相对较大因此可以使用较小的N_s同时增加N_r以提高找到ε范围内解的概率。随着实例规模的增大需要增加N_s以确保哈密顿量缓慢变化相应地减少N_r以平衡运行时间和解的质量。3. 结果分析与讨论3.1 性能对比结果图1展示了不同ε值下[TTε]_{Med}随问题规模N的缩放情况。结果显示对于所有ε值基于GPU的SBM要么优于要么匹配基于CPU的PT-ICM和基于D-Wave的U3及QAC方法的性能。当仅考虑纯GPU计算时间t_{GPU}^f类似于退火时间τ时SBM的性能进一步改善完全消除了量子解法相对于经典解法的优势。3.2 缩放指数分析图2总结了不同解法和ε值下的缩放指数α。关键发现包括对于Ng1和t_{tot}^f包括所有开销SBM的缩放指数α小于或等于在两倍标准偏差内其他方法的表现特别是性能最好的QAC方法。使用Ng4个GPU时尽管多GPU实现带来了额外的开销但缩放性能有所改善这突显了SBM算法的一个优势——可以通过增加GPU数量来提高性能而无需进行硬件升级。3.3 大规模问题下的表现研究还将分析扩展到远超当前量子退火器能力的大规模系统N≈4×10⁴。图3显示在大规模问题下开销的影响几乎消失表明渐进行为确实由实际计算时间主导。缩放指数α对最优性间隙ε的依赖性显著降低对于所有考虑的ε值α的范围在1.5到1.7之间。4. 研究意义与未来方向4.1 对量子优势研究的启示这项研究对量子优势的评估提出了重要见解基准算法选择的重要性量子优势的声称高度依赖于所选择的经典基准算法。仅与特定经典算法比较可能得出误导性结论。问题规模的影响从小规模问题推断渐近缩放行为可能存在风险因为小规模下的性能可能受到各种开销因素的显著影响。测量方法的透明度量子退火的退火时间是一个预设参数而经典算法的运行时间可以实际测量这影响了比较的公平性。4.2 实际应用建议对于实际需要解决QUBO问题的从业者本研究建议不要忽视经典算法在考虑采用量子退火之前应该尝试最新的经典优化算法如SBM特别是在GPU平台上实现时。考虑问题规模对于当前实际规模的问题N≈10³经典方法可能已经足够好甚至更好。评估标准要全面除了运行时间还应考虑解决方案质量、实现复杂度和硬件要求等因素。4.3 未来研究方向基于本研究未来可能的研究方向包括混合量子-经典方法探索将量子退火与经典算法如SBM结合的混合方法可能发挥两者的优势。更广泛的问题测试在不同类型、不同结构的QUBO问题上进行更全面的测试以评估算法的通用性。硬件专用优化针对特定硬件如新一代GPU或量子处理器优化算法实现进一步提升性能。5. 结论这项研究通过引入基于非线性哈密顿动力学的模拟分岔机SBM算法重新评估了量子退火在近似优化QUBO问题中的性能表现。结果表明通过利用混沌行为而非热涨落经典方法可以达到甚至超越量子退火的性能。这一发现不仅挑战了现有的量子优势结论也为未来量子与经典算法的性能评估设立了新的基准。对于实际应用而言在当前这一代量子退火硬件上不太可能在操作上有意义的条件下展示出在离散近似优化中的真正优势。这提示我们在追求量子计算的同时不应忽视经典算法的持续进步和潜力。
