让实验结论与基准证据相符¶
运行一个两变量 QUBO，查看 Algorithm 报告，判断单次实验究竟能说明什么。请先完成 QAOA、VQE和实验设计，使用安装好的环境。
这个问题与之前的 QUBO 略有不同：f(x) = 0.1 − x0 − 0.6 x1 + 1.2 x0 x1。按 00、01、10、11 排列，四个值为 0.1、−0.5、−0.9、−0.3，穷举可知最小值对应 10。
分别解释三类结果¶
"""结合有界 baseline 解释变分算法输出。
分析时要分清 best objective evaluation、sampled candidate 和 classical baseline。
标准 Algorithm report 会保留来源和历史，但有限范围内的比较不能当作最优性证明。
"""
from __future__ import annotations
import json
from cascaqit import QAOA, LocalBackend, OptimizerConfig, QUBOProblemIR, visualize
def main() -> None:
"""运行一个小型 QUBO，并比较不同种类的结果事实。"""
problem = QUBOProblemIR.from_terms(
problem_id="lesson.optimization.analysis",
variables=("x0", "x1"),
linear_terms={"x0": -1.0, "x1": -0.6},
quadratic_terms={("x0", "x1"): 1.2},
offset=0.1,
)
result = QAOA(problem, layers=1).run(
backend=LocalBackend(seed=503),
optimizer=OptimizerConfig(
method="COBYLA", max_iterations=6, max_evaluations=5, seed=503
),
initial_parameters=(0.2, -0.2),
final_shots=64,
)
candidate = result.best_observed_candidate
baseline = result.baseline
assert candidate is not None and baseline is not None
assert result.final_result is not None
report = visualize(result)
payload = {
"track": "optimization_researcher",
"level": "expert",
"lesson": "baseline_analysis",
"facts": {
"objective_estimator": result.metadata["objective_estimator"],
"objective_total_shots": result.metadata["objective_total_shots"],
"workflow_total_shots": result.metadata["workflow_total_shots"],
"backend_executions": result.metadata["workflow_backend_execution_count"],
"final_counts": result.final_result.counts,
"final_probabilities": result.final_result.probabilities,
"candidate_count": candidate.count,
"best_energy": round(result.best_evaluation.energy, 10),
"sampled_candidate": candidate.bitstring,
"candidate_value": candidate.objective_value,
"baseline_bitstring": baseline.bitstring,
"baseline_value": baseline.objective_value,
"optimality_claim": candidate.optimality_claim,
"report_profile": report.profile,
"report_section_count": len(report.sections),
},
"boundaries": {
"hardware_execution": False,
"cloud_execution": False,
"network_accessed": False,
"credentials_loaded": False,
},
}
print(json.dumps(payload, sort_keys=True))
if __name__ == "__main__":
main()
python3 examples/user/tracks/optimization_researcher/05_expert_baseline_analysis_zh.py
{
"boundaries": {
"cloud_execution": false,
"credentials_loaded": false,
"hardware_execution": false,
"network_accessed": false
},
"facts": {
"backend_executions": 6,
"baseline_bitstring": "10",
"baseline_value": -0.9,
"best_energy": -0.5609248776,
"candidate_count": 28,
"candidate_value": -0.9,
"final_counts": {
"00": 6,
"01": 16,
"10": 28,
"11": 14
},
"final_probabilities": {
"00": 0.10462979564428168,
"01": 0.32777336608607827,
"10": 0.39537020435571835,
"11": 0.17222663391392173
},
"objective_estimator": "exact_state",
"objective_total_shots": 0,
"optimality_claim": "not_claimed",
"report_profile": "algorithm",
"report_section_count": 7,
"sampled_candidate": "10",
"workflow_total_shots": 64
},
"lesson": "baseline_analysis",
"level": "expert",
"track": "optimization_researcher"
}
| 数值 | 回答的问题 |
|---|---|
best_energy |
搜索过程中求值过的最低期望能量是多少？ |
sampled_candidate、candidate_value |
实际采样到的比特串中，哪一个目标值最好？ |
baseline_bitstring、baseline_value |
有规模上限的经典比较找到了什么？ |
最佳期望能量可以仍在 −0.56 附近，而采样候选达到 −0.9。两者并不矛盾，期望值还包含更差的比特串。分别用期望能量、候选值减去基准值，会得到两个不同的差值：候选差值可以为零，期望差值仍为正。
对这个两变量问题，穷举覆盖了全部四种赋值。候选与其最小值一致，足以说明观察到的候选解出了这个具体实例，但不能说明 QAOA 总能成功、已经收敛或优于经典搜索。SDK 的候选字段仍为 not_claimed，不会把比较结果自动升级为一般性的最优性声明。问题增大后，应先检查 baseline.status、method、limit 和 unavailable_reason，不能默认基准始终可用。
visualize(result) 根据保存的结果创建报告，不会重新运行优化。要保存文件，可改为 visualize(result, output='artifacts/qubo-analysis.html', language='zh')。输出中的报告类型和章节数仅说明结构，图表和标题不会增强实验结论。
用明确的成本比较重复运行¶
保持目标、初始参数、层数和预算不变，以种子 503、504、505、506、507 重复运行。用表格记录种子、最佳能量、候选值、候选次数、停止原因、后端执行次数和总采样次数，保留没有找到最优解的运行。既报告五次运行中有几次观察到 10，也报告每次运行内部的频率，两者是不同统计量。
本例使用精确目标值和明确的初始向量，优化过程是确定性的。改变种子主要改变最终采样，因此这个练习观察的是采样可靠性，不是优化器对初值的敏感性。研究后者时，应另做一组实验，改变并记录初始参数向量。五次重复适合教学练习，尚不足以精确估计可靠性。
示例包含五次目标求值和一次最终采样任务，目标求值不消耗 shots，总采样为 64 次。经典穷举的四次赋值计算另计。后端调用与经典函数求值的成本不同，不能拿次数直接比较速度。
练习写出一句有依据的结论，再写一句当前证据不支持的结论。可以说明某次运行观察到了与完整四态基准一致的候选；若要声称加速或在更大 QUBO 上可靠，需要更多实验、计时和合适的经典算法对照。MIS 三路线项目进一步说明了比较时需要交代的条件。