据外媒报道，韩国光州科技研究院（Gwangju Institute of Science and Technology，GIST）研究团队宣布改进了算法的结构，在保持现有半经典量子遗传算法（semit-classical quantum genetic algorithm）的优化性能的同时，显著提高了计算效率。
图片来源：韩国光州科技研究院
量子遗传算法是一种在量子计算机上重现已在经典计算机中证明的技术，例如量子神经网络和量子强化学习，以应用元启发式（meta-heuristic）方法实现“全局优化”，在整个搜索域找到最优的解决方案，而这是量子计算机中遗传算法的强项。
量子系统必然发生的波函数坍缩（Wavefunction collapse）与通过迭代运算找到解决方案的遗传算法的工作原理相冲突，但通过在种群形成过程中创建大量随机个体，现有的反经典量子遗传算法研究可解决这个问题。
本研究预先假设这些随机实体对算法的优化工作几乎没有贡献，然后尝试改进量子电路以最小化随机实体的代际，同时保持算法的达尔文进化结构。
因此当在每一代形成种群时，研究人员会设计一种结构，以仅产生个体，而这些个体完全或部分具有从上一代获得的优秀个体的遗传特征。
通过将这种改进算法与先前算法共同用于优化问题，研究人员进行试验以比较这种改进算法的性能。事实上，在实现与之前算法相同水平优化的同时，适应度评估的总数从2560次减少到432次，这表明性能显著提升，将每一代所需的计算量减少了80%。
结果，研究人员通过防止算法原始优化性能下降和减小种群二次方的大小，成功将算法的计算效率提高了5倍。
Chang Wook Ahn教授说：“量子计算机有望加快新药和能源开发、半导体设计、自动驾驶汽车和飞行路线等优化问题，从而改变未来行业和安全生态系统的布局。这项研究通过超越经典计算机概念的创造性方法提高了实际性能，并有望在未来开发出更有效的量子优化算法。”
扫一扫关注微信
