关于使用量子计算机可以更有效地近似哪些问题，是否有任何一般性陈述？

正如它的名字已经表明，这个问题是一个跟进这个其他。我对答案的质量感到满意，但是我觉得如果添加关于优化和逼近技术的见解会非常有趣，但可能会引起话题的误解。

从蓝的答案：

复杂性理论的经验法则是，如果量子计算机可以在多项式时间内“解决”问题（带有错误界限），并且可以解决的问题类别在于BQP，而不能解决P或BPP

这如何适用于近似类？可以利用量子计算的任何特定拓扑，数值等属性吗？

作为我可能要问的一个示例（但绝对不仅限于此！），请采用Christofides算法：它利用了优化的图形的特定几何特性（对称性，三角形不等式）：推销员在可行的世界中旅行。但是销售人员的数量也很大，我们可以同时精确地知道他们的位置和动量。也许量子模型也可以适用于其他类型的指标，而这些指标具有更宽松的限制，例如KL散度？在那种情况下，它仍然是NP完整的，但是优化将适用于更广泛的拓扑。这个例子可能是一个长镜头，但我希望您能理解我的意思。我真的不知道这是否有意义，但是在这种情况下，答案也可以解决:)

有关：

• 退火为旅行推销员提供的优势水平

在量子近似优化算法是开始分析的量子算法在逼近问题的相对表现的好地方。到目前为止的一个结果是，在p = 1时，QAOA理论上可以在3个正则图上实现MaxCut的0.624近似比。使用不同可能情况的蛮力枚举可获得此结果。这不是一种容易推广的技术，因此对QAOA在其他问题上的性能知之甚少。

就目前而言，QAOA在组合优化问题中使用的结构很少，并且按照直接搜索方法的操作更多。一个可能的结果是，QAOA最好用于结构最小的问题。在这种情况下，经典算法无法使用任何东西来加速搜索过程。