Quantum Optimization Benchmark Library (QOBLIB)

Quantum Optimization Benchmark Library (QOBLIB)是由多个研究机构合作创建的优化问题数据集。该数据集包含十个组合优化问题的类别，这些问题对现有经典算法具有挑战性，且大多与实际应用相关。数据集中的问题实例大小各异，从小规模到具有多达10万个决策变量的实例都有涵盖，这使得它们适用于当前量子计算机进行尝试。数据集的创建旨在推动量子计算在优化领域中的优势展示，并为量子优化算法的基准测试提供标准化的解决方案呈现形式。

Quantum Optimization Benchmark Library (QOBLIB) is an optimization problem dataset developed through collaboration among multiple research institutions. This dataset includes ten categories of combinatorial optimization problems, most of which are relevant to real-world applications and pose significant challenges to state-of-the-art classical algorithms. The problem instances in the dataset span a wide range of scales, from small-sized cases to those containing up to 100,000 decision variables, making them applicable for testing on current quantum computers. The dataset was created to demonstrate the advantages of quantum computing in the field of optimization, and to provide a standardized presentation format for solutions in benchmarking quantum optimization algorithms.

搜集汇总

数据集介绍

构建方式

Quantum Optimization Benchmark Library (QOBLIB) 数据集的构建基于十个组合优化问题类别，这些问题类别在现有经典算法中难以解决，并且大多数与实际问题相关。数据集的构建过程包括选择具有不同目标类型、变量类型、系数范围和密度的优化问题实例，确保这些问题在决策变量数量较少（从不到100到最多100,000）时即具有挑战性。数据集通过精心设计的问题实例生成方法，确保其可行性和难度，同时提供模型无关的基准测试框架，以支持量子优化方法的系统、公平和可比较的评估。

特点

QOBLIB 数据集的特点在于其多样性和实用性。它涵盖了从市场分割问题到车辆路径问题的十个不同优化问题类别，每个类别都具有独特的数学结构和实际应用背景。数据集中的问题实例在变量数量、约束密度和系数范围上表现出显著差异，从而能够全面评估优化算法的性能。此外，这些问题实例在设计时特别考虑了量子计算机的当前能力，使其成为探索量子优势的理想测试平台。数据集还提供了详细的建模示例和解决方案检查工具，以确保结果的可靠性和可重复性。

使用方法

QOBLIB 数据集的使用方法包括以下几个步骤：首先，用户可以从库中选择特定的问题类别和实例，根据其研究需求下载相应的数据文件。其次，用户可以使用提供的建模示例（如整数线性规划或QUBO模型）来构建优化问题，并应用其选择的经典或量子优化算法进行求解。数据集还提供了解决方案检查工具，用于验证求解结果的正确性。用户可以将他们的结果提交到QOBLIB，以参与系统性的基准测试和性能比较。此外，数据集的使用鼓励用户报告详细的运行参数和硬件配置，以确保结果的可比性和可重复性。

背景与挑战

背景概述

Quantum Optimization Benchmark Library (QOBLIB) 是由多位来自全球顶尖研究机构和企业的专家于2025年共同创建的专业量子优化基准测试库。该数据集旨在为量子优化算法提供系统、公平且可比较的基准测试环境，特别关注组合优化这一量子计算可能展现优势的领域。QOBLIB包含了十个经过精心挑选的组合优化问题类别，这些问题在经典算法下已表现出计算困难性，且多数具有实际应用背景。数据集由IBM Quantum、普渡大学、新加坡国立大学等机构联合开发，其核心研究问题是评估量子算法在组合优化问题上的性能表现，并追踪量子优势的实现进程。该数据集的建立填补了量子优化领域系统性基准测试的空白，对推动量子计算在物流、金融、通信等领域的应用具有重要意义。

当前挑战

QOBLIB数据集面临的主要挑战体现在两个层面：在领域问题层面，所选的组合优化问题（如图拓扑设计、投资组合优化等）本身具有NP难性质，当问题规模达到100至100,000个决策变量时，现有经典算法已难以有效求解；在构建过程层面，研究者需要确保问题实例既具有足够的挑战性又能反映实际应用场景，同时还要处理不同建模方式（如MIP与QUBO）带来的变量数量激增、系数范围扩大等问题。具体挑战包括：1) 保持问题实例的多样性和代表性，涵盖稀疏/稠密、线性/二次等不同特性；2) 精确控制问题难度梯度，从小规模可解实例到挑战性实例的平滑过渡；3) 处理量子硬件限制导致的建模约束，如将高阶优化问题转化为适合量子算法处理的二次无约束二元优化形式。

常用场景

经典使用场景

Quantum Optimization Benchmark Library (QOBLIB) 数据集主要用于评估量子优化算法在组合优化问题上的性能。该数据集包含十个具有挑战性的组合优化问题类别，这些问题在经典计算机上难以求解，且部分问题已在实际应用中具有相关性。QOBLIB 数据集为量子优化算法的性能评估提供了标准化的基准，使研究者能够系统、公平地比较不同算法的效果。

衍生相关工作

QOBLIB 数据集衍生了许多相关研究，包括量子近似优化算法（QAOA）、量子退火算法以及混合量子-经典优化算法的性能评估。此外，该数据集还激发了经典优化算法的改进研究，例如基于格点枚举的精确算法和启发式算法的优化。这些研究进一步推动了量子优化领域的发展。

数据集最近研究

最新研究方向

量子优化基准库（QOBLIB）作为量子计算与组合优化交叉领域的前沿工具，近期研究聚焦于三大方向：一是针对NP难问题的量子启发式算法设计，如基于Birkhoff分解的变分量子算法在稀疏矩阵分解中展现出超越经典近似算法的潜力；二是量子-经典混合计算范式的性能验证，如BF-DCQO算法在低自相关二进制序列（LABS）问题中实现与12层QAOA相当的求解效率但仅需1/6的纠缠门数量；三是实际应用场景的适配性研究，例如网络设计问题中量子算法在20节点规模已展现求解优势，而车辆路径问题（VRP）的基准构建揭示了当前量子方法在中小规模实例中的竞争力不足。该数据集通过标准化评估框架（如模型无关的QUBO/ILP双轨验证）推动量子优势的实证研究，其工业关联性（如金融组合优化、芯片布线）为量子计算在物流、通信等领域的实用化提供了测试基础。

相关研究论文

• Quantum Optimization Benchmark Library -- The Intractable Decathlon

  柏林祖塞研究所, 技术大学柏林, 普渡大学大卫森化学工程学院等 · 2025年