QAOA
由Farhi等人于2014年提出的量子算法，通过交替施加问题哈密顿量与混合哈密顿量的参数化量子电路来近似求解组合优化问题，是NISQ时代最受关注的量子算法之一
时间轴 (近 90 天)
QAOA的量子电路由交替的问题层和混合层组成，每一层都带有可调参数，通常层数为p，共有2p个角度需要优化。
量子近似优化算法（QAOA）的性能严重依赖一组变分角度，寻找这些角度是一个计算昂贵的非凸优化任务。
近期一篇研究提出用机器学习模型直接学习从问题实例到高质量QAOA角度的映射，用单次前向传播替代逐实例的经典优化器。
研究在量子硬件上验证了使用模型生成角度的QAOA采样结果与传统求解器角度得到的结果在统计上不可区分。
对问题实例拓扑敏感的模型能进一步提高QAOA角度质量。
该方法的核心价值在于将QAOA的经典优化瓶颈转化为可摊销的前期成本。
量子硬件仍处于早期阶段，QAOA的整体优势还需更大规模验证。
QAOA将组合优化问题映射为Ising哈密顿量，其基态对应最优解。
变分量子算法（VQA）是 NISQ 时代代表性算法范式，其典型代表包括 VQE 和 QAOA。
全部知识事实 (9)
QAOA的量子电路由交替的问题层和混合层组成，每一层都带有可调参数，通常层数为p，共有2p个角度需要优化。
50%待验证量子近似优化算法（QAOA）的性能严重依赖一组变分角度，寻找这些角度是一个计算昂贵的非凸优化任务。
50%待验证近期一篇研究提出用机器学习模型直接学习从问题实例到高质量QAOA角度的映射，用单次前向传播替代逐实例的经典优化器。
50%待验证研究在量子硬件上验证了使用模型生成角度的QAOA采样结果与传统求解器角度得到的结果在统计上不可区分。
50%待验证对问题实例拓扑敏感的模型能进一步提高QAOA角度质量。
50%待验证该方法的核心价值在于将QAOA的经典优化瓶颈转化为可摊销的前期成本。
50%待验证量子硬件仍处于早期阶段，QAOA的整体优势还需更大规模验证。
50%待验证QAOA将组合优化问题映射为Ising哈密顿量，其基态对应最优解。
50%待验证变分量子算法（VQA）是 NISQ 时代代表性算法范式，其典型代表包括 VQE 和 QAOA。
50%