Abstracts-QO

Zeitfensterbasierte Optimierung der Kommunikationskosten im Verteilten Quantencomputing

Abstract:

Diese Arbeit entwickelt und evaluiert eine zweistufige Optimierungsstrategie, die Kommunikationskosten in verteilten Quantenschaltkreisen senkt. Zunächst werden Quantenschaltkreise als ungerichtete Graphen modelliert und mittels Kernighan-Lin Algorithmus in zwei nahezu gleichgroße Cluster zerlegt, wodurch bis zu 60% der Schnitt-übergreifenden CNOT Kanten entfallen. Die verbleibenden Gatter werden in Zeitfenster eingeteilt. Ein heuristikbasiertes Zuweisungsverfahren priorisiert dabei Fenster mit maximaler Qubit-Überlappung und gleichmäßiger Lastverteilung. Diese Fensterstruktur reduziert die gleichzeitige Nutzung einzelner Qubits und senkt so die Kommunikationskosten zwischen Ausführungseinheiten. Die Experimente auf dem Qiskit QASM-Simulator vergleichen diese Methode mit einer linearen Baseline, in der die Gatter sequentiell und ohne Partitionierung verarbeitet werden. Die Ergebnisse zeigen, dass eine Kombination aus Graphpartitionierung und vorsichtig parametrisiertem Zeitfenster Scheduling signifikante Einsparungen ermöglicht, ohne die logische Korrektheit zu beeinträchtigen. Zukünftige Arbeiten sollten die Methode auf realer Hardware validieren, Fehlerkorrektur einbinden und adaptive, ML gestützte Fenstergrößen untersuchen.

Autor/in:

Rama Malhis

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht June 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Verwendung evolutionärer Algorithmen zur Optimierung von Quantenschaltkreisen unter der Berücksichtigung von Noise

Abstract:

Noise stellt eine allgegenwärtige Herausforderung in der NISQ-Ära des Quantum Computings dar. Seine starke Auswirkung auf die Hardware eines Quantencomputers verfälscht die Ergebnisse von Quantenschaltkreisen, insbesondere bei steigender Qubitanzahl und Schaltkreistiefe. Verschiedene Schaltkreisarchitekturen, die ähnliche Zustände erzeugen, können allerdings unterschiedlich starkem Noise ausgesetzt sein. Diese Arbeit präsentiert einen evolutionären Algorithmus, dessen Ziel es ist, für einen gegebenen Schaltkreis einen äquivalenten, weniger noisy Schaltkreis zu finden. Die Fitnessfunktion des Algorithmus bewertet dabei die Schaltkreise anhand ihrer unter Noise betrachteten Fidelität im Vergleich zum Noise-freien Zustand des Zielschaltkreises. So wird der Evolutionsverlauf in Richtung einer Noise-reduzierten Lösung gelenkt. Die Ergebnisse der durchgeführten Experimente zeigen, dass der Algorithmus die parallel erstellte Random Baseline überwiegend übertraf und in einigen Fällen einen optimierten Schaltkreis im Vergleich zum Zielschaltkreis finden konnte. Dadurch zeigt sich das Potential evolutionärer Algorithmen zur Noise-Reduktion. Die Skalierbarkeit des vorgestellten Algorithmus ist jedoch stark begrenzt.

Autor/in:

Maria Trainer

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht Mai 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Analyse der Parameteranpassung des Transfer Lernens in Variationellen Quanten-Eigensolvern

Abstract:

Mit der Verbreitung öffentlich verfügbarer, wenn auch rauschanfälliger Quantenprozessoren wurden viele Machine-Learning Ansätze entwickelt, um die neu aufgekommenen Möglichkeiten optimal zu nutzen. Peruzzo et al. entwickelten einen hybriden Algorithmus, der einen Variational-Quantum-Eigensolver (VQE) implementiert, um den Grundzustand eines Hamiltonians zu finden. Während VQEs anfänglich im Bereich der Quantenchemie eingesetzt wurden, können sie für verschiedene Optimierungsprobleme verwendet werden, wie zum Beispiel das Finden eines maximalen Schnitts (Max-Cut) in einem Graphen. Da das Training rechenintensiv ist, wurden Transfer-Learning Ansätze vorgeschlagen, um die Trainingszeit für ähnliche Probleminstanzen zu reduzieren. Rohe et al. stellen einen VQE-Algorithmus vor, der TL nutzt, um die Konvergenz im Max-Cut- Problem zu beschleunigen. Es wurde gezeigt, dass TL in der frühen Optimierungsphase deutlich schneller konvergiert, obwohl Training ohne TL über die Zeit leicht bessere Ergebnisse liefert. Wenn jedoch die Trainingszeit drastisch reduziert wird, kann TL gute Ergebnisse erzielen und dabei die Rechenkosten des Trainings erheblich senken. Darüber hinaus wurde gezeigt, dass die Ähnlichkeit der erzielten Lösung mit dem optimum positiv mit dem Erfolg von TL korrelierte. Die Ähnlichkeit wurde durch Berechnung der minimalen Hamming-Distanz (HD) zwischen der VQE-Lösung des Quellgraphen und den optimalen Lösungen des Zielgraphen gemessen. Diese Bachelorarbeit baut auf den Ansatz von Rohe et al. auf. Konkret ist das Ziel der Arbeit, die Qualität des Parametertransfers zur Lösung von Max-Cut-Graphenproblemen zu analysieren. Anstatt die Anwendbarkeit von TL für den VQE zu analysieren, soll untersucht werden, wo TL zu Über- oder Ünteranpassung des Algorithmus führt und wie diese Ergebnisse zustande kommen. Die Quell und Zielgraphen werden sowohl aus dem öffentlich zugänglichen kalifornischen Straßennetz als auch aus Facebook Social Circle Daten entnommen. Dabei wird der Quellgraph genutzt, um Parameter zu trainieren, die zum initialisieren des Trainings des Zielgraphen genutzt werden. Um die Ähnlichkeit des Quell- und Zielgraphen bezüglich des Max-Cut-Problems zu bewerten, werden die optimalen Max-Cut-Lösungen durch Brute Force berechnet. Anschließend wird die minimale HD zwischen optimalen Lösungen der Quell-und Zielgraphen berechnet. Da TL nicht immer eine der optimalen Lösungen findet, wird die HD zwischen der Quelllösung und der durch TL gefundenen Ziellösung berechnet. Dadurch werden daten gesammelt, die zeigen, unter welchen Umständen TL den VQE zu Über- oder Unteranpassung veranlasst. Da die Qualität der trainierten Lösungen mit zunehmender HD zwischen Quell- und Zielgraphenlösungen in den Ergebnissen von Rohe et al. abzunehmen scheint, ist es von großem Interesse, Wege zu finden, mit solchen Problemen umzugehen. Eine mögliche Erklärung für Über- oder Unteranpassung ist, dass die vortrainierten Parameter den VQE in einem lokalen Optimum gefangen halten und dadurch weitere Erkundungen der Lösungslandschaft verhindern. Durch die Analyse des Einflusses von TL auf den Trainingsprozess des VQE sowie der Unter- und Überanpassung zielt diese Arbeit darauf ab, die Rolle und Qualität des Parametertransfers in der NISQ-Ära besser zu bewerten.

Autor/in:

Julio Amaru Nicolas Brocca Alvarado

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht April 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Erforschung der Verschränkungsintensität in Variationellen Quanten-Eigensolver-Algorithmen für kombinatorische Optimierung

Abstract:

Variationale Quantenalgorithmen (VQAs), darunter der Quantum Approximate Optimization Algorithm (QAOA), der Variational Quantum Eigensolver (VQE) und Quantum Neuronale Netze (QNNs), haben sich als vielversprechende Ansätze in der verrauschten Intermediate-scale quantum (NISQ) Ära gezeigt. Diese hybriden quantenklassischen Algorithmen zielen darauf ab Optimierungs- und Simulationsprobleme zu lösen, die durch die Qubit-Konzentration, Konnektivität, Gatterfehlern und Dekohärenz eingeschränkt sind. Ein zentrales Merkmal der Quanteninformatik, und ein Unterscheidungsmerkmal zu klassischen Methoden ist die Verschränkung – die Quantenkorrelation zwischen Qubits, die bestimmte rechnerische Vorteile ermöglicht. Während Verschränkung weithin als wesentlich für den Erfolg von VQAs angesehen wird, haben neuere Studien die Annahme in Frage gestellt, dass mehr Verschränkung immer die Leistung des Algorithmus verbessert. Stattdessen kann eine übermäßige Verschränkung unfruchtbare Plateaus einführen, die Optimierung und Konvergenz erschwert.
Diese Arbeit untersucht die Rolle der Verschränkung bei der Leistung des VQE, einem führenden Algorithmus zur Annäherung der Grundzustandsenergien von Quanten-Hamiltonians. Insbesondere wird untersucht, ob die Begrenzung der Verschränkung durch strukturierte Reduktionen die Trainierbarkeit und Lösungsqualität verbessert. Um diese Beziehung systematisch zu analysieren, werden zwei Strategien zur Verschränkungsmanipulation eingesetzt: (1) Dropout-basierte Verschränkungssparsifizierung, bei der verschränkende Gatter zufällig auf der Grundlage einer gegebenen Wahrscheinlichkeit entfernt werden, und (2) parametrisierte Verschränkungsabstimmung, bei der die Stärke der kontrollierten Verschränkungsoperationen durch einen variablen Rotationsparameter eingeschränkt wird. Die Auswirkung dieser Strategien wird für drei Schaltungsansätze durch die Bewertung des Konvergenzverhaltens sowie die Messung von drei Schlüsselmetriken evaluiert: Verschränkungsfähigkeit, Ausdrucksfähigkeit und Approximationsverhältnis.
Die Ergebnisse zeigen, dass die Verringerung der Verschränkung durch Dropout die Optimierungsdynamik verbessert, indem sie möglicherweise unfruchtbare Plateaus abschwächt und die Gradientenvarianz erhöht, was zu schnellerer Konvergenz und niedrigeren Endenergien führt, ohne die Lösungsqualität zu beeinträchtigen. Die unterschiedlichen Reaktionen bei den verschiedenen Ansätzen legen jedoch nahe, dass die Verschränkungsreduktion auf die Schaltungstopologie und die Problemstruktur zugeschnitten und nicht einheitlich angewendet werden sollte. Im Gegensatz dazu zeigt die parametrisierte Verschränkungsabstimmung einen schwächeren Einfluss sowohl auf die Trainierbarkeit als auch auf die endgültige Lösungsqualität, insbesondere in tieferen Schaltungen, in denen die kumulative Verschränkung lokale Anpassungen auf Gatterebene kompensiert. Die Studie zeigt, dass das Konvergenzverhalten ein zuverlässigerer Indikator für die Leistung der VQE ist als die Ausdrucksfähigkeit oder die Verschränkungsfähigkeit allein, was unterstreicht, dass die Verschränkung aktiv verwaltet und nicht wahllos maximiert werden sollte.

Autor/in:

Joel Friedrich

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht {Monat Jahr} | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Problem-Spezifisches Entanglement in Variationellen Quantum Circuits

Abstract:

In den letzten zehn Jahren haben sich Variationale Quanten Algorithmen (VQAs), insbesondere der Variational Quantum Eigensolver (VQE), als vielversprechender Kandidat für das Finden von annähernden Lösungen von Optimierungsproblemen auf den derzeit verfügbaren Noisy Intermediate-Scale Quantum (NISQ) Geräten, die anfällig für Fehler und Quantenrauschen sind, herausgestellt. In der Optimierungsschleife des VQE wird ein Versuchs-Quantenzustand durch einen parametrisierten Quantenschaltkreis erzeugt. Ein klassischer Optimierer passt die Parameter des Schaltkreises an, während die Kostenfunktion des Problems in einem Ising-Hamiltonian formuliert wird. Das globale Minimum der Kostenfunktionslandschaft wird durch die iterative parametrisierte Erzeugung eines Versuchs-Quantenzustands, die Messung dieses Zustands sowie die anschließende klassische Anpassung der Parameter angenähert. Vorausgegangenen Forschungsarbeiten haben gezeigt, dass die Architektur des parametrisierten Schaltkreises, des so genannten Ansatz, einen großen Einfluss auf die Optimierungsleistung des VQE hat.

Obwohl Verschränkung eine Schlüsseleigenschaft der Quantenmechanik ist, ist nicht gut erforscht, ob sie eine koordinierende Rolle im Ansatz-Schaltkreis von hybriden Quantenoptimierungsalgorithmen spielen kann. Während frühere Forschungsarbeiten gezeigt haben, dass Verschränkung keine allgemeinen Vorteile für die Optimierung bietet, wenn sie auf generische, problem-agnostische Weise implementiert wird, untersucht diese Arbeit die Rolle von problemspezifischer Verschränkung in variablen Quantenschaltkreisen und konzentriert sich dabei auf das Max-Cut-Problem, das in diesem Bereich häufig für Benchmarking-Zwecke verwendet wird und praktische Anwendungen in Bereichen wie dem Design von sehr großen integrierten Schaltkreisen (VLSI), sozialen Netzwerken und maschinellem Lernen hat. Das Ziel ist es, zu beurteilen, ob problemspezifische Verschränkungsstrukturen gegenüber problemagnostischen Strukturen Vorteile im Optimierungsverhalten bieten können. Um diese Frage zu beantworten, vergleichen wir systematisch verschiedene Schaltkreisarchitekturen, einschließlich problemspezifischer, generischer und randomisierter Verschränkungsstrategien, um ihre Auswirkungen auf die Optimierungsleistung zu analysieren. Für das problemspezifische Schaltkreisdesign bilden wir die Kanten des zugrundeliegenden Max-Cut-Graphen als Zwei-Qubit-Gatter auf den Schaltkreis ab. Die Ergebnisse zeigen, dass unsere problemspezifische Verschränkungsstruktur zwar über die drei betrachteten Problemgrößen hinweg im Vergleich zum generischen Design langsamer konvergiert, aber durchweg ähnliche angenäherte Kostenfunktionsminima erreicht und eine deutlich schnellere Konvergenzgeschwindigkeit aufweist als die randomisierten Designs. Zukünftige Arbeiten könnten diesen Effekt mit größeren Problemgrößen untersuchen. Darüber hinaus zeigen Experimente in einer Umgebung mit simulierten Rauschen, dass Quantenrauschen die Konvergenz in einem frühen Stadium beschleunigen kann, möglicherweise aufgrund zusätzlicher stochastischer Parameterabweichungen, die dem Optimierer helfen, lokale Minima zu umgehen. Dieser Effekt setzt sich nicht lange fort und das Rauschen verschlechtert letztlich die Optimierung in den späteren Phasen. Darüber hinaus haben wir festgestellt, dass mit zunehmender Anzahl von Verschränkungsschichten die Optimierungsgeschwindigkeit abnimmt, was möglicherweise auf eine Überparametrisierung und damit verbundene, geringere Trainierbarkeit zurückzuführen ist.

Autor/in:
Benjamin Nicolas Joseph Ring

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht April 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Speichereffiziente Quanten-Optimierung für das Traveling Salesman Problem via binäre Kodierung von gültigen Lösungen

Abstract:

Das Traveling Salesperson Problem (TSP) ist eine klassische kombinatorische Optimierungsaufgabe mit zahlreichen Anwendungen in Logistik, Planung und Terminbestimmung. Quantenalgorithmen, insbesondere der Quantum Approximate Optimization Algorithm (QAOA), haben bereits Potenzial gezeigt, um solche NP-schweren Probleme zu lösen und könnten gegenüber klassischen Methoden Vorteile bieten. Bestehende Quantenverfahren für das TSP verwenden üblicherweise eine One-Hot-Kodierung, die für ein TSP mit n Städten O(n^2) Qubits erfordert und constraintspezifische Mixer wie den XY-Mixer einsetzt, um im gültigen Zustandsraum zu bleiben. Diese Ansätze sind jedoch ressourcenintensiv und stoßen bei steigender Qubit-Zahl schnell an praktische Grenzen. In dieser Masterarbeit wird eine neue Kodierung für das TSP unter Nutzung von QAOA vorgestellt, bei der Permutationen in Binärform abgebildet werden und der Qubit-Bedarf so auf O(n log2 n) sinkt. Die größte Schwierigkeit dieser Binärkodierung liegt darin, dass kein einfacher constraintspezifischer Mixer verfügbar ist, um während der Optimierung die Gültigkeit der Zustände sicherzustellen. Zur Lösung dieses Problems wird eine effizient realisierbare unitäre Transformation entwickelt, die jedem binär kodierten Rundweg einen eindeutigen Index zuweist. Durch das Hinzufügen von O(log2(n!)) zusätzlichen Qubits, welche jede mögliche TSP-Permutation in faktorieller Basis repräsentieren, entsteht eine kanonische Isomorphie zwischen Permutationen und faktoriellel kodierten Zahlen. Dadurch kann in diesem zusätzlichen Qubit-Bereich ein einfacher X-Mixer oder ein Grover-Mixer verwendet werden, sodass sich der Optimierungsprozess automatisch auf gültige Zustände beschränkt und die Nebenbedingungen während der gesamten Optimierung eingehalten werden. Dies ermöglicht eine schnellere Konvergenz in Richtung der optimalen Lösung. In Rahmen dieser Masterarbeit werden es drei Varianten dieser Kodierung untersucht: (1) eine direkte unitäre Transformation mithilfe einer vorberechneten Lookup-Tabelle, (2) ein Verfahren auf Basis von Quantenarithmetik sowie (3) ein reines Index-Verfahren, bei dem sowohl Kosten- als auch Mixer-Hamiltonoperatoren in [log2(n!)] Qubits kodiert werden, was allerdings zu tieferen Schaltkreisen führt. Numerische Experimente mit kleinen Problemgrößen zeigen die Realisierbarkeit dieser Ansätze und unterstreichen die möglichen Vorteile des platzsparenden Kodierungsschemas für praktische Quantenoptimierungsaufgaben.

Autor/in:

Viktoria Patapovich

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht Januar 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Minimierung der Teleportation und Verbesserung der Messqualität im verteilten Quantencomputing unter Verwendung eines evolutionären Multi-Objective Algorithmus

Abstract:

Quanten Computing gilt als eine vielversprechende Technologie, um Aufgaben zu lösen, die selbst für das klassische Computing nicht zu bewältigen sind. Allerdings stoßen einzelne Quantencomputer aufgrund verschiedener Herausforderungen an ihre Grenzen, wodurch sie nur eine begrenzte Anzahl an frei verfügbaren Qubits bereitstellen können. Diese Einschränkung kann durch die Realisierung des DQC überwunden werden, einem Konzept, das durch die Vernetzung mehrerer Quantencomputer über ein Quantennetzwerk die Anzahl der verfügbaren Qubits erheblich steigert. Innerhalb eines solchen Systems werden die Qubits von einem Quantencomputer zu einem anderen mithilfe der Quanten Teleportation übertragen, einem ressourcenintensiven, aber unverzichtbaren Protokoll für die Kommunikation im DQC. Eine Minimierung der Anzahl der Teleportationen ist daher von essenzieller Bedeutung, birgt jedoch bei einfachen Ansätzen, wie der Minimierung globaler Gates, die auf Teleportation basieren, das Risiko, die Funktionalität eines Circuits zu beeinträchtigen. Um diesen Herausforderungen zu begegnen, wird in dieser Arbeit ein multiobjektiver evolutionärer Algorithmus (EA) vorgestellt, dessen Mechanismen wie Crossover, Mutation und Selektion dazu dienen, die Anzahl der Quanten Teleportationen zu minimieren und gleichzeitig die Fidelity, die ein Maß für die Ähnlichkeit ist, aufrechtzuerhalten. Der EA wurde an einer Reihe von QFT Benchmark Circuits sowie in weiteren Experimenten mit Random Circuits getestet, um seine Effektivität bei der Lösung der vorliegenden Problemstellung zu untersuchen. Die Ergebnisse demonstrieren, dass der Algorithmus die Anzahl der Teleportationen signifikant reduzieren kann, während die Fidelity über dem Schwellenwert von 0.9 gehalten wird. Im Vergleich zum Kernighan-Lin-Algorithmus, der nur lokale Optima liefert, erzielt dieser Ansatz in allen Aspekten bessere Resultate.

Autor/in:

Abasin Omerzai

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht Januar 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer

Nutzung von Vorkonditionierung zur Beschleunigung Quantensimulations-basierter Optimierung

Abstract:

Simulationsbasierte Optimierung ist rechnerisch sehr aufwendig, da zahlreiche Auswertungen komplexer Simulationen erforderlich sind, um eine Zielfunktion zu optimieren. Quantenalgorithmen können hier eine bessere Laufzeit im Vergleich zu klassischen Methoden erzielen, indem sie gleichzeitig mehrere potenzielle Lösungen bewerten. Wenn die Zielfunktion und/oder die Nebenbedingungen von statistisch zusammenfassenden Informationen abhängen, die aus den Ergebnissen einer Simulation abgeleitet werden, wird das Problem als Quantum Simulation-Based Optimization (QuSO)-Problem klassifiziert. Eine Unterklasse von QuSO ist LinQuSO, bei der die Simulationskomponente als ein System linearer Gleichungen formuliert werden kann. Die Berechnung der Zielfunktion hängt von der Komplexität der Lösung des entsprechenden linearen Gleichungssystems ab, welche linear von der Konditionszahl des Systems beeinflusst wird. Ein kürzlich erschienener Artikel stellte einen Quantenalgorithmus zur Lösung prototypischer linearer elliptischer partieller Differentialgleichungen zweiter Ordnung vor, die mit 𝑑-linearen Finite-Elementen auf kartesischen Gittern innerhalb eines begrenzten 𝑑-dimensionalen Bereichs diskretisiert werden. Durch die Verwendung eines BPX-Vorkonditionierers wird das lineare Gleichungssystem in ein wohlkonditioniertes System transformiert. Funktionale der Lösung können für eine gegebene Toleranz 𝜀 mit einer Komplexität von 𝒪(︀polylog (︀𝜀−1)︀)︀ berechnet werden, wobei für 𝑑>1 ein Laufzeitvorteil gegenüber klassischen Lösungsverfahren erzielt wird. Diese Arbeit zeigt, wie die Effizienz der Berechnung von optimalen Eingabeparametern für ein LinQuSO-Problem verbessert werden kann, indem der Vorkonditionierungsalgorithmus in den Quantum Approximate Optimization Algorithm (QAOA) integriert wird, was zu einer Laufzeit von 𝒪(︀𝜀−1 polylog (︀𝜀−1)︀)︀ für die Simulationskomponente führt. Der neue Ansatz wird anhand eines Anwendungsfalls aus der Topologieoptimierung für Wärmeleitung demonstriert.

Autor/in:

Carlotta von L’Estocq

Betreuer:

Anwendung von Warmstarts von Variationellen Quantenalgorithmen für parametrisierte kombinatorische Optimierung

Abstract:

In der Noisy Intermediate Scale Quantum Computing (NISQ) Ära sind variationelle Quantenalgorithmen (VQAs) ein Schlüsselparadigma, um trotz Hardwarebeschränkungen nützliche Ergebnisse zu erzielen. Diese Algorithmen können an verschiedene Domänen angepasst werden, z. B. an die Festkörperphysik und die kombinatorische Optimierung. Probleme in diesen Bereichen können als Ising-Hamiltonians modelliert werden. Um physikalische Systeme zu modellieren, enthalten Hamiltonians oft Parameter, die glob- ale Kräfte, wie z. B. Magnetfelder, steuern. Im Gegensatz dazu sind Hamiltonians, die kombinatorische Optimierungsprobleme (COPs) modellieren, in der Literatur in der Regel nicht parametrisiert und beschreiben eine spezifische Probleminstanz. In der Realität beeinflussen jedoch mehrere globale Variablen wie die Tageszeit oder die Marktrichtung Instanzen von COPs. In dieser Arbeit werden parametrisierte Hamiltonians für kombinatorische Optimierung anhand der Maximum-Cut- und Knapsack-Probleme eingeführt und ein Rahmenwerk vorgestellt, das auf andere COPs ausgedehnt werden kann. Der Rahmen erweitert die derzeitigen Ansätze zur Modellierung von COPs, um mehrere Probleminstanzen mit einem einzigen Hamiltonian mit globalen Parametern zu beschreiben. Anschließend wird in dieser Arbeit die Optimierung von parametrisierten COPs unter Verwendung verschiedener VQA-Varianten untersucht, wobei Zielfunktionen, die auf COPs zugeschnitten sind, getestet werden. Schließlich wird die Übertragung optimierter Parameter zwischen Probleminstanzen untersucht, die zu unterschiedlichen Hamiltonian-Parameterwerten entsprechen. Dabei wird bewertet, ob Parameter, die für eine Konfiguration eines Problems gute Lösungen liefern, für andere Konfigurationen ähnliche Ergebnisse liefern können. Für diese Aufgabe werden zwei einfache Modifikationen bestehender Verfahren vorgestellt, die als Adaptive Start und Aggregated Learning bezeichnet werden. In dieser Arbeit wird ein neuer Ansatz für die kombinatorische Optimierung vorgestellt und das Potenzial dieses neuen Rahmens untersucht.

Autor/in:

Federico Harjes Ruiloba

Betreuer:

Studentische Abschlussarbeit | Veröffentlicht Dezember 2024 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer