잡음이 있는 QAOA 최적화를 위한 적응형 차분 진화 및 다중 시작 탐색
Adaptive Differential Evolution and Multistart Search for Noisy QAOA Optimization
우리는 $N=12$, $p=3$, $D=6$ 조건에서 네 가지 비용 해밀토니안(cost-Hamiltonian) 계열에 걸쳐 고정된 저심도(low-depth) 양자 근사 최적화 알고리즘(Quantum Approximate Optimization Algorithm, QAOA) 앤자츠(ansatz)에 대한 고전적 최적화를 벤치마크한다. 10개의 옵티마이저를 10,000회 및 30,000회의 함수 평가(function evaluations, FEs)라는 공통 상한 하에서 25회의 독립 실행에 걸쳐 비교하며, 먼저 정확한 상태벡터(statevector) 목적함수로, 이후 두 가지 수준의 가산 관측 잡음(observation noise)을 적용하여 비교한다. 정확한 목적함수에서는 다중 시작(multistart) BFGS와 다중 시작 CMA-ES가 우세하다. 잡음이 있는 피드백 하에서는 적응형 개체군(population) 기반 방법들이 더 경쟁력을 갖게 되지만, 그 순위는 성능을 방문한 최적의 정확한 지점으로 측정하는지 아니면 잡음이 있는 관측값으로부터 선택된 지점으로 측정하는지에 따라 달라진다. 각 계열별로 사전 선별된 세 가지 인스턴스 전체에 대한 표적 확장 실험은 이러한 국면 전환(regime change)을 확인해주는 동시에, 명명된 적응형 차분 진화(adaptive-DE) 우승자들이 인스턴스에 따라 달라짐을 보여준다: 동일 인스턴스 요약에서 jSO-lite는 저잡음 오라클 탐색을, iL-SHADE는 고잡음 오라클 탐색을, L-SRTDE는 고잡음 선택 해(solution)를 각각 주도한다. 부트스트랩(bootstrap) 분석은 무시할 수 없는 수준의 고잡음 탐색-선택 격차(search-selection gap)를 정량화하며, 소급적 고정 예산 검증 프록시(retrospective fixed-budget verification proxy)는 최종 재평가를 위해 소량의 측정 예산을 남겨두는 것이 30,000 FEs에서 열 가지 방법 모두에 걸쳐 선택된 해의 품질을 향상시킴을 보여준다. 추가적인 구조 인식(structure-aware) 연구는 나아가 이러한 조건에서 QAOA의 교차 심도 제한(cross-depth restriction)과 연속적 분지 정제(continuous basin refinement)가 단독 몬테카를로 트리 탐색(Monte Carlo tree-search) 선택보다 더 유용함을 보여준다. 전반적으로 옵티마이저 선택은 지형 구조(landscape structure), 관측 잡음, 그리고 최종 지점 식별(final-point identification)에 공동으로 의존한다.