Wetenschappers hebben een fundamentele wet geïdentificeerd die bepaalt hoe effectief parameters van het Quantum Approximate Optimization Algorithm (QAOA) kunnen worden overgedragen van kleine naar grotere probleeminstanties. Deze ontdekking, bekend als de '$\lambda$-resonantiewet', laat zien dat het succes van deze overdracht niet enkel afhangt van de structuur van het probleem, maar in sterke mate wordt beïnvloed door de gehanteerde strafwaarden voor beperkingen.
Binnen de quantumcomputing is het trainen van variabele hoeken voor QAOA een proces dat veel tijd in beslag neemt. Om dit te versnellen, maken onderzoekers gebruik van 'parameter transfer'. Hierbij worden hoeken die op een kleine versie van een probleem zijn getraind, toegepast op een grotere variant. Voorheen werd aangenomen dat de structurele gelijkenis tussen deze instanties de doorslaggevende factor was voor het succes van deze methode.
De invloed van de strafwaarde $\lambda$
Uit recent onderzoek van Krit Grover, verbonden aan de University of Toronto Scarborough, blijkt dat er een andere, onafhankelijke factor in het spel is wanneer beperkingen in een probleem als straffen worden gecodeerd. Volgens een publicatie op arxiv.org blijken de getrainde hoeken de specifieke strafgewicht-waarde ($\lambda$) van de trainingsfase te 'onthouden'.
Grover stelt dat voor elke gescalariseerde kostenfunctie met een geheel aantal schendingen, de kans om een haalbare oplossing te vinden kan worden beschreven als een trigonomaal polynoom in $\lambda$. De hoekfrequenties hiervan bevinden zich op een rooster van gehele getallen dat wordt bepaald door de getrainde $\gamma$-hoeken. Dit wijst erop dat de overdracht van parameters geen willekeurig proces is, maar een deterministisch gevolg van fase-interferentie.
Wetenschappelijke implicaties van de resonantiewet
De ontdekking van deze $\lambda$-resonantie leidt tot drie belangrijke conclusen. Ten eerste bereikt de haalbaarheid van de overdracht een piek wanneer de strafwaarde tijdens de implementatie exact gelijk is aan de waarde die tijdens de training is gebruikt. Ten tweede is de breedte van deze resonantie omgekeerd proportioneel aan de som van de absolute waarden van de $\gamma$-hoeken. Dit betekent dat hoeksets met lagere $|\gamma|$-waarden over het algemeen gemakkelijker overdraagbaar zijn.
Ten derde vertoont de curve zogenaamde 'revival peaks' met specifieke tussenruimtes. Deze theoretische bevindingen zijn in de praktijk getoetst. Zoals beschreven door quantumnews.in, zijn de resultaten geverifieerd via exacte statevector-experimenten op een QUBO-probleem voor resource-allocatie met 20 qubits.
Een nieuwe kijk op fouten in QAOA
Deze inzichten zorgen voor een verschuiving in hoe fouten in penalty-gebaseerde QAOA worden geïnterpreteerd. Waar mislukkingen voorheen vaak werden toegeschreven aan problemen met de energetische afstemming, stelt dit onderzoek dat het in feite gaat om voorspelbare fase-interferentie. In een analyse op gist.science wordt dit vergeleken met het afstemmen van een radio: naast de structuur van het signaal (het probleem) is de stand van de volumeknop (de strafgewicht $\lambda$) cruciaal voor de ontvangst.
Het volledige onderzoek, getiteld "Transferred QAOA Parameters Remember the Penalty Scale: A $\lambda$-Resonance Law for Constrained Quantum Optimization", is op 5 november 2026 gepubliceerd als geaccepteerd manuscript via iop.org. De theorie is onafhankelijk van de methode waarmee de hoeken zijn gegenereerd en is van toepassing op elke QUBO met geheeltallige straffen.