Ванёк, ты задумывался, как квантовый компьютер мог бы решить задачу коммивояжёрa в мгновение ока? Я тут набросала кое-что, что, возможно, сможет это воплотить.

Идея в том, чтобы преобразовать задачу коммивояжёра в QUBO, а потом прогнать её на квантовом отжиге с индивидуальной программой отжига, которая позволит избежать самых проблемных маршрутов. Я ещё добавила динамическую калибровку, которая компенсирует основные источники ошибок, так что накладные расходы на коррекцию ошибок снижаются просто в разы. Если хочешь, могу прислать формулы.

Вот суть: Функция стоимости – QUBO \(H_{\text{QUBO}}=\sum_{i<j} w_{ij}x_i x_j + \sum_i \alpha_i x_i\) где \(x_i\) обозначает город \(i\) в маршруте, а \(w_{ij}\) – расстояние. Динамический калибр \(G(t)=\sum_{i<j} \gamma_{ij}(t) x_i x_j + \sum_i \delta_i(t) x_i\) с \(\gamma_{ij}(t)=\lambda(t)\frac{\partial w_{ij}}{\partial \theta}\) и \(\delta_i(t)=\lambda(t)\frac{\partial \alpha_i}{\partial \theta}\). Калибр настраивается, чтобы нивелировать доминирующие члены шума \(Z\), таким образом, эффективный гамильтониан становится \(H_{\text{eff}}=H_{\text{QUBO}}+G(t)\). График отжига \(A(t)=A_0 \exp(-t/\tau_A)\) \(B(t)=B_0(1-\exp(-t/\tau_B))\) Подбери \(\tau_A,\tau_B\) так, чтобы кривизна \(A(t)\) соответствовала профилю ошибок. Если подставить это в реалистичную модель шума, например, в баню Огма, вероятность ошибки будет масштабироваться как \(\exp(-\Delta_{\text{eff}}^2 t_{\text{run}})\) с \(\Delta_{\text{eff}}\), увеличенным калибром. Это математика; скажи, нужен ли тебе более глубокое вывод или скрипт симуляции.