據(jù)外媒報道，韓國光州科技研究院（Gwangju Institute of Science and Technology，GIST）研究團隊宣布改進了算法的結(jié)構(gòu)，在保持現(xiàn)有半經(jīng)典量子遺傳算法（semit-classical quantum genetic algorithm）的優(yōu)化性能的同時，顯著提高了計算效率。

圖片來源：韓國光州科技研究院

       量子遺傳算法是一種在量子計算機上重現(xiàn)已在經(jīng)典計算機中證明的技術(shù)，例如量子神經(jīng)網(wǎng)絡(luò)和量子強化學習，以應(yīng)用元啟發(fā)式（meta-heuristic）方法實現(xiàn)“全局優(yōu)化”，在整個搜索域找到最優(yōu)的解決方案，而這是量子計算機中遺傳算法的強項。
       量子系統(tǒng)必然發(fā)生的波函數(shù)坍縮（Wavefunction collapse）與通過迭代運算找到解決方案的遺傳算法的工作原理相沖突，但通過在種群形成過程中創(chuàng)建大量隨機個體，現(xiàn)有的反經(jīng)典量子遺傳算法研究可解決這個問題。
       本研究預先假設(shè)這些隨機實體對算法的優(yōu)化工作幾乎沒有貢獻，然后嘗試改進量子電路以最小化隨機實體的代際，同時保持算法的達爾文進化結(jié)構(gòu)。
       因此當在每一代形成種群時，研究人員會設(shè)計一種結(jié)構(gòu)，以僅產(chǎn)生個體，而這些個體完全或部分具有從上一代獲得的優(yōu)秀個體的遺傳特征。
       通過將這種改進算法與先前算法共同用于優(yōu)化問題，研究人員進行試驗以比較這種改進算法的性能。事實上，在實現(xiàn)與之前算法相同水平優(yōu)化的同時，適應(yīng)度評估的總數(shù)從2560次減少到432次，這表明性能顯著提升，將每一代所需的計算量減少了80%。
       結(jié)果，研究人員通過防止算法原始優(yōu)化性能下降和減小種群二次方的大小，成功將算法的計算效率提高了5倍。
       Chang Wook Ahn教授說：“量子計算機有望加快新藥和能源開發(fā)、半導體設(shè)計、自動駕駛汽車和飛行路線等優(yōu)化問題，從而改變未來行業(yè)和安全生態(tài)系統(tǒng)的布局。這項研究通過超越經(jīng)典計算機概念的創(chuàng)造性方法提高了實際性能，并有望在未來開發(fā)出更有效的量子優(yōu)化算法?！?/P>

（轉(zhuǎn)載）