开源之夏｜陈思源：基于MindSpore Quantum，开启量子-经典混合计算实践之旅

# 01

项目介绍

• 项目名称： 基于MindSpore Quantum实现WS-ab-QAOA算法与性能分析
• 项目描述： 本项目基于MindSpore Quantum框架复现了最新的WS-ab-QAOA算法。该算法结合了经典算法（GW）的“热启动”策略和量子演化中的“自适应偏置场”机制，有效解决了标准QAOA在浅层线路下性能不足的痛点。在3-正则图的最大割（MaxCut）问题上，该算法展现出了优于经典GW算法和传统QAOA变体的显著性能优势。
• **项目源码链接：**https://gitee.com/mindspore/mindquantum/tree/research/summer_ospp/2025/25c6d0302

# 02

项目实现：模块化构建与优化

本项目旨在复现论文 arXiv:2503.20048v1 的核心工作，即验证在经典算法解的基础上，利用量子算法进行“精修”的潜力。

1、架构选型：

我主要选择了 MindSpore Quantum (MindQuantum) 作为核心量子计算框架，配合 NetworkX 进行图数据生成，以及 NumPy/SciPy 进行经典算法辅助计算,项目的整体流程如下：

1. **数据生成：**使用 networkx.random_regular_graph 生成不同规模（40-1000顶点）的3-正则无权图（u3r）。
2. 经典热启动（Warm-Start）：
   1）实现 Goemans-Williamson (GW) 算法：包含SDP松弛求解（内点法）和随机投影，为量子算法提供高质量的初始解。
   2）实现 Burer-Monteiro (BMMK) 算法：用于对比其他QAOA变体。
3. **量子线路构建（MindQuantum）：**构建 WS-ab-QAOA 变分线路，特别是含自适应偏置场的混合哈密顿量:

4. 混合优化循环：
   1）外层循环：使用梯度下降更新变分参数。
   2）并行更新：仿照Adam优化器规则，根据测量值动态更新偏置场。

2、实现步骤：

步骤一：经典模块开发

实现 GW_algorithm 和 maxcut_interior_point 函数，确保能够从任意图中提取出近似割的经典解向量，并将其映射为量子线路的初始角度参数。

步骤二：QAOA 模块封装

设计了 QAOA 类与 AdaptiveQaoaInput 类。通过字典 qaoa_variant 来灵活配置算法类型（如 'standard', 'warm-start', 'ab'），实现了一套代码兼容多种QAOA变体。

步骤三：解析模拟

为了处理论文中高达 1000 比特规模的图，直接使用状态矢量模拟器内存不足。我基于 MindQuantum 实现p=1层的解析计算模块。利用图的局部性（3-正则图的特定子图结构），编写了 EYX 等函数直接计算哈密顿量期望值，从而绕过了全振幅模拟，极大地提升了计算效率。

代码片段：解析计算能量期望值。

def EYX(delta, gamma1, nodes, h):

3、核心贡献：

• **算法复现与验证：**成功在 MindSpore Quantum 中实现了 WS-ab-QAOA，并复现了原论文的核心图表（Fig 2, 4, 5）。验证了在 N=1000 规模下，单层 WS-ab-QAOA 的性能相当于经典 GW 算法进行约次额外随机投影的效果。
• **大规模模拟方案：**通过实现解析求解方法，解决了模拟器在千比特规模下的内存限制问题，为 MindQuantum 在特定图结构上的大规模模拟提供了参考范例。
• **完整的基准测试：**对比了 Standard QAOA, WS-QAOA, QAOA-warmest 和 WS-ab-QAOA 多种变体，证明了自适应偏置策略的有效性。

# 03

攻坚时刻：技术挑战与解法

难题一：大规模量子线路的模拟瓶颈

**问题描述：**项目要求验证算法在 1000 量子比特规模下的性能。在使用 MindQuantum 0.10.0 版本时，无论是全振幅模拟器还是张量网络模拟器，在处理如此大规模且非全连接（3-正则图）的线路时，计算资源消耗极大，无法在合理时间内完成 $p=1$ 的模拟。

**探索过程：**我最初尝试调用现有的张量网络后端，但发现对于浅层 QAOA 这种特定结构，通用模拟器效率并非最优。随后深入研读论文理论部分，发现p=1时的算符演化仅涉及有限的邻居节点（Light cone 较小）。

**最终方案：**我转向了解析模拟路线。利用 3-正则图仅有三种步长为 1 的局部结构这一特性，推导并实现了能量期望值的解析公式。这使得计算复杂度从指数级降低为随边数线性增长，成功完成了千比特级的性能验证。

难题二：QAOA-warmest 变体的复现差异

**问题描述：**在对比实验中，我复现的 QAOA-warmest 算法性能与原论文结果存在一定差距，效率不如预期。

**探索过程：**经过排查，发现 warm-start 类算法对经典预处理结果（BMMK算法）的质量以及 QAOA 初始参数的选择非常敏感。

**最终方案：**我采用了多组初始参数并行优化的策略，并重新校准了 BMMK 算法的参数。虽然最终确认了原论文中该变体的复现难度较高，但也反向验证了本项目核心算法（WS-ab-QAOA）对参数的鲁棒性更强，更易于在实际中部署。

# 04

开发者说：成长、感悟与开源精神

• 是什么机缘让你在开源之夏的诸多项目中选择了昇思MindSpore？在选择项目任务和撰写申请书的时候有哪些考虑和准备？
  陈思源：MindSpore Quantum 作为优秀的量子计算框架之一，其自动微分特性和对变分量子算法（VQA）的良好支持深深吸引了我。在撰写申请书时，我详细调研了 QAOA 的前沿进展，发现将经典算法（GW）与量子算法结合是当下的热点，而 MindSpore Quantum 正是实现这一混合架构的理想平台。
• 此次开发工作与你以前的项目开发经历有何不可异同？
  陈思源：这次不仅是“写代码”，更是“做研究”。我不仅要实现功能，还要深入理解量子力学的物理图像（如混合哈密顿量的演化），并将复杂的数学公式转化为高效的代码。特别是解析模拟的实现，让我体会到了算法优化在工程落地中的巨大价值。
• 通过这个项目任务，你对开源有了什么更深刻的理解吗?
  陈思源：开源不仅仅是公开代码，更是关于“可复现性”和“社区协作”。为了让后来者能看懂，我花费了大量精力优化代码结构和文档注释。看到自己的代码能复现出论文中的曲线，那种成就感是无与伦比的。
• 作为学生参与开源项目，你认为最大的挑战是什么？又是如何克服的？
  陈思源：代码的复杂度远高于学生时期的代码，需要考虑开源的“可复现性”和“协作性”，协调项目管理。克服的方式就是规范代码内容，养成好的习惯。
• 作为过来人，有没有什么话想对过去的自己/学弟学妹/刚加入昇思MindSpore的开发者说呢？
  陈思源：不要被复杂的理论吓倒。从运行一个简单的 Demo 开始，利用社区丰富的资源，你会发现连接经典与量子世界的桥梁就在脚下。

了解开源之夏：https://summer-ospp.ac.cn/