近日，中电信量子集团“天衍”量子计算云平台正式推出QAOA计算框架应用！用户无需编程，只需轻松几次点击，即可一站式完成从问题建模、参数设置到结果可视化的全过程，亲身体验一次量子优化算法的完整运行流程。

“天衍”量子计算云平台：https://qc.zdxlz.com（复制链接至浏览器访问），立即体验！

在现实世界中，我们每天都在面对各种“决策问题”：如何规划城市交通、如何分配仓储路线、如何挑选最优投资组合。这些看似不同的问题，其实都有一个共同点——均归属于组合优化（Combinatorial Optimization）问题。

组合优化问题代表性例子

所谓组合优化，就是要从无数种可能的方案中，找出最优的那一个。但随着变量数量不断增多，情况变得极其复杂：可能的组合数呈指数级急剧膨胀，让传统计算机即便穷尽所有可能也难以完成计算。

这类指数困境正是量子计算有望解决的核心挑战。其中，最具代表性的一种算法——量子近似优化算法（QAOA），通过量子叠加和干涉效应，使系统可以在庞大的解空间中同时探索多个方案，从而更快地逼近最优解。

p层量子近似优化算法（QAOA）示意图。

量子电路以输入态|+⟩⊗n 开始，交替施加算符e^{-i \gamma_i H_C}和X_{\beta_i} = e^{-i \beta_i \sigma_x}，最终对量子态进行测量以获得目标哈密顿量HC的期望值。测得的期望值被送入经典优化器，用于寻找最优参数组(\vec{\gamma}, \vec{\beta})，以最大化⟨HC⟩。更多详情请看往期内容：《服务升级！“天衍”金融科技解决方案全面上线》

接下来，我们用一个具体的例子——最大割（MaxCut）问题，来看看QAOA如何在“天衍”量子计算云平台上解决这一经典难题。

什么是最大割（MaxCut）问题：

想象一下，你正在组织一次校园运动会。同学们彼此都很熟悉，但其中有一些同学关系尤为紧密，总是一起活动。现在，学校要把所有同学分成两支队伍（红队和蓝队），让比赛更有看点。

那么问题来了：如何分队才能让“好友变对手”的精彩场面最多呢？

这其实就是一个典型的MaxCut问题。我们可以这样理解：将每一位同学视为一个“节点”；

将两位同学之间的熟悉程度（例如经常一起上课、运动的次数）视为“边的权重”；

而划分两支队伍的界线，就是所谓的“切割”。

MaxCut要做的事情就是：找到一种分队方式，使得被这条“切割线”所分开的、来自不同队伍的“好友关系”总熟悉度达到最大。也就是说，要让原本关系最好的同学尽可能分到不同的队伍中——这样，两队交锋时，因为充满熟悉的对手，比赛自然会格外精彩。

为了更清晰地阐述这个问题，我们将上述情景抽象为数学形式表达：假设有四个同学A、B、C、D，他们的熟悉程度如下（数字越大表示熟悉程度越高）：

关系

熟悉程度

A-B

5

A-C

8

A-D

1

B-C

6

B-D

2

C-D

7

我们来试试用经典算法应该如何划分：枚举所有不重复的二分划分（固定A在红队，且排除所有人都在同一队的情况），共有24-1-1=7种：

显而易见，我们可以看到最大割值=22，对应的最优分组为{A, D}|{B, C}。其余所有情况的割值都≤21，因此该分组为“唯一最优解”。

举例示意图

从分组游戏到量子计算

在量子优化算法的研究中，MaxCut不仅是一个趣味模型，更是一个验证算法性能的标准问题。从Google基于Sycamore超导量子处理器的实验，到IBM Q系统上的QAOA验证，众多前沿平台都选择以MaxCut作为关键测试场景。而QAOA的核心，正是将这类“分队问题”映射为量子比特系统的能量模型，借助量子叠加与干涉效应，在指数级庞大的候选解空间中并行搜索，高效逼近最优分割方案。

在中电信量子集团的“天衍”量子计算云平台上，我们将这一过程完整封装为可视化计算任务。用户无需编写代码，即可在网页端交互式地直观理解量子优化的全过程。

接下来，我们将一步步展示如何在“天衍”量子计算云平台上轻松运行这一算法。

QAOA算法操作流程

让“分队游戏”变成一次量子实验

在“天衍”量子计算云平台上运行QAOA算法，就像启动了一场全自动的智能分队，无需再手动枚举分法，而是让量子计算机帮你找到“最有趣、最平衡”的分法。整个过程共七步——从建立关系网到输出最优分组，均可通过可视化界面完成。

第一步：选择问题模型（Model）

首先设置“同学之间熟悉程度”的关系图。进入【“天衍”量子计算云平台】→【QAOA计算应用】模块，点击【问题模型：最大割问题】，你可以在画布上：

设置节点代表学生个数；

绘制连线代表同学之间的关系；

设置边权重代表同学之间的熟悉程度。

完成关系图设置后，系统将自动生成一张清晰的“友情网络图”——至此，已成功完成问题模型的定义。

模型选择

第二步：生成哈密顿量（Hamiltonian）

在量子计算中，算法无法直接理解“谁和谁关系好”这样的社交概念，它需要将关系图转化成一种量子能量模型——问题哈密顿量矩阵HC。点击【生成哈密顿量】，系统会自动将图中每条连线的“关系强度”转换为哈密顿量中相应的能量贡献项，从而将寻找最大割问题的解映射为求解对应伊辛模型的哈密顿量的基态。

这一步本质上就是将复杂的人际关系，翻译成了量子计算机能够识别并优化的“能量语言”。

生成哈密顿量

第三步：选择混合器（Mixer）

如果仅基于当前“友情强弱”进行分组，算法很容易陷入某种看似不错但并非全局最优的“局部最优解”。此时，混合器的作用就体现出来了——它如同一位经验丰富的老师，适时地“打乱”现有分组，从而有机会发现更优的分队方案。“天衍”量子计算云平台提供两种混合器：

X-Mixer：专为像MaxCut这样的二分类问题设计，处理“非红即蓝”的队别选择；

XY-Mixer：适用于更复杂的多类别或排列组合优化场景。

选择混合器后，系统自动为量子比特添加“跳转指令”，驱动量子态在不同分组方案之间“来回试探”，从而帮助算法在多种分组方案之间灵活跳转，探索更优结果。

选择混合器

第四步：生成拟设线路（Circuit）

现在，平台会自动生成一条量子线路。它就像游戏的“策略板”——每一层都包含若干逻辑门（H、RX、RZ、CZ等），通过操纵量子态的叠加与纠缠来搜索解空间。在界面上，你可以设置：

线路层数（p）：决定算法的搜索深度；

角度参数：控制算法的搜索强度与方向。

设置完成后，线路图会实时更新，呈现出一份清晰的“量子版分队策略图”。

生成拟设线路

第五步：选择优化器（Optimizer）

优化器在QAOA算法中扮演着“教练”的角色。在量子线路每完成一轮“分队尝试”后，优化器便会介入复盘：评估当前分队方案的质量（计算期望值），然后智能调整下一轮尝试的参数策略，引导算法逐步逼近最优解。目前，平台提供三种经典优化算法：

SPSA：适合“数据噪声较多”的情况；

COBYLA：适合关系连续变化的问题；

Nelder-Mead：适合参数空间维度较低的情况。

支持设置学习率、收敛精度和最大迭代次数。

选择优化器

第六步：开始运行（Running）

选择本次实验需要使用的计算资源后，点击【开始运行】，“量子分队”搜索正式启动！

平台将实时显示“能量变化曲线”，直观展示算法搜索过程；

当曲线趋于平稳时，则标志着算法已成功找到（或逼近）“最优分队方式”。

运行结果

第七步：结果展示（Results）

算法运行结束后，点击【查看详情】，能够看到：

最优“红队、蓝队”分组图；

各类分组情况的概率分布图；

优化过程的能量值迭代信息。

结果详情

一句话总结：在“天衍”量子计算云平台上，QAOA不再是枯燥的量子公式，它就像一次量子规则下的“智能分队游戏”：从绘制“关系图”到使用量子算法寻找“最佳分组”——每一步都可视化、可操作。

量子优化，从此触手可及

让量子优化走进日常实验：

量子计算的真正魅力，不仅体现在“更快地求解问题”，更在于它从根本上改变了我们理解和处理计算问题的方式。当传统计算在复杂空间举步维艰时，量子算法利用其独特的叠加与干涉原理，赋予了我们在众多可能性中并行探索的全新能力。

一键启算，让量子优化不再遥远

在“天衍”量子计算云平台上的

每一次运行都是人类理解复杂世界的

新一次尝试