Quantum Optimization: QAOA vs Classical Annealing
Case Study: The S.T.A.R. Approach
Situation
I problemi di ottimizzazione combinatoria (come il Max-Cut) diventano intrattabili per i computer classici all'aumentare delle variabili. Le attuali soluzioni euristiche spesso si bloccano in minimi locali.
Task
Valutare se l'algoritmo QAOA (Quantum Approximate Optimization Algorithm) offre un vantaggio quantistico tangibile rispetto al Simulated Annealing classico su hardware NISQ (Noisy Intermediate-Scale Quantum).
Action
Ho implementato circuiti quantistici utilizzando il framework **Qiskit** di IBM. Ho modellato il problema Max-Cut su grafi randomici e confrontato la convergenza delle soluzioni eseguendo simulazioni sia su simulatori QASM che su backend quantistici reali (IBM Osaka).
Result
Pubblicazione di un paper di ricerca (o tesi). I risultati hanno evidenziato che, sebbene il rumore (noise) limiti l'hardware attuale, QAOA scala meglio in termini di depth del circuito per grafi specifici.
Dettagli della Ricerca
Implementazione Qiskit
L’ansatz variazionale è stato costruito con una profondità p=3. L’ottimizzazione classica dei parametri $\gamma$ e $\beta$ è stata gestita tramite l’algoritmo COBYLA.
Snippet del circuito di mixing:
# Creazione del mixer Hamiltonian
beta = Parameter('β')
ws_mixer = QuantumCircuit(n_qubits)
for i in range(n_qubits):
ws_mixer.rx(2 * beta, i)