Explore

將解碼量子干涉測量（DQI）最佳化演算法擴展到超越里德-所羅門編碼的代數幾何編碼。使用鈴木曲線和埃爾米特曲線的新方法提供改進的量子資源效率和擴展的約束容量。

RLQ-Grad 以學習的經典策略取代量子梯度計算，在20個量子位元上實現2490倍的加速，同時保持平坦的變異曲線（反向傳播會在此崩潰）。展示在無需指數級資源擴展的情況下實現貧瘠平台緩解。

定義有界誤差量子近似類別(BQ-APX、BQ-PTAS、BQ-FPTAS)，並在明確複雜度假設下，使用認證最大階數和離散對數擬合在最佳化問題上建立條件式量子-經典分離。

D-Wave 與阿肯色大學啟動合作倡議，將量子最佳化應用於複雜供應鏈挑戰，包括運輸路徑規劃、庫存管理和網路設計，覆蓋零售和國防等部門。

量子迴聲馬爾可夫過程通過結合用於探索的量子動力學與受控能量轉換，實現高效的組合最佳化。與貪婪下降法結合時，性能獲得實質改善，展現出量子-經典混合方法的潛力。

LP-QAOA 透過從較早階段的學習構建精化混合器，在分層問題上實現多階段量子最佳化，以較少的最終目標評估達到更高的成功率，並運用一致性投影機混合。

D-Wave 宣布與 CGI 達成戰略合作，將其 Advantage2 量子電腦及混合求解器整合至企業服務中，針對物流、運輸和零售部門的最佳化挑戰。

研究揭示受化學啟發的HF/MP2初始化將UCCSD-VQE保持在可訓練區域內，具有多項式梯度縮放特性，與呈現指數衰減的隨機初始化不同——驗證了化學直覺在實用量子化學演算法中的作用。

混合高維量子-量子比特系統相比純量子比特實現在整數規劃中達到容錯資源減少180-2220倍。分析確認了體積律糾纏和多體相關性，支持經典困難性和近期高維量子硬體開發。

Q-CTRL 的 Fire Opal 將人工智慧驅動的誤差抑制與 IBM Quantum 硬體整合，減少採購複雜性並改善企業應用的保真度。已成功在 127-qubit 系統上展示用於最佳化問題的應用。

對具有Grover混合器之量子近似最佳化演算法進行嚴格分析，得出深度無關變異數界與Grover型可達性限制。證明對整數值目標在任何深度下皆具反多項式損失變異數，建立有限深度與先前漸近結果之對應。

自適應演算法控制透過基於不斷演變的量子狀態動態的智慧型資源分配，實現量子最佳化的22–100,000%改進，無需硬體升級。狀態代理均等化重新分配固定的計算預算...

改進的量子狀態制備演算法對於稀疏狀態將Toffoli門開銷減少約log(s)/2。對量子模擬和近期量子裝置上的線性系統求解器至關重要。

QRAO壓縮可以放大計算複雜性：NP-困難問題可能對應到QMA-完全最佳化問題。研究揭示了來自量子壓縮的最壞情況複雜性障礙，並顯示困難性在當前Qiskit實現的編譯中保留。

研究人員證明了量子虛時間演化以線性縮放方式收斂到全局最小值，為量子演算法所面臨的指數級資源縮放限制提供了實用解決方案。

採用QAOA變體的混合量子-經典框架，用於對齊跨物種的蛋白質-蛋白質相互作用網絡。在測試實例上實現完美的拓撲保守性，同時保持生物相關性，並明確了懲罰項之間的資源-性能權衡...