論文の概要: Accelerating Quantum Approximate Optimization Algorithm using Machine Learning

• arxiv url: http://arxiv.org/abs/2002.01089v2
• Date: Mon, 6 Apr 2020 14:50:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 03:36:39.507243
• Title: Accelerating Quantum Approximate Optimization Algorithm using Machine Learning
• Title（参考訳）: 機械学習を用いた量子近似最適化アルゴリズムの高速化
• Authors: Mahabubul Alam, Abdullah Ash-Saki, Swaroop Ghosh
• Abstract要約: 本稿では,量子近似最適化アルゴリズム(QAOA)の実装を高速化する機械学習手法を提案する。 QAOAは、いわゆる量子超越性を証明する量子古典ハイブリッドアルゴリズムである。 提案手法は,264種類のグラフを用いて行った解析から,最適化の繰り返し回数を最大65.7%削減できることを示す。
• 参考スコア（独自算出の注目度）: 6.735657356113614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a machine learning based approach to accelerate quantum approximate optimization algorithm (QAOA) implementation which is a promising quantum-classical hybrid algorithm to prove the so-called quantum supremacy. In QAOA, a parametric quantum circuit and a classical optimizer iterates in a closed loop to solve hard combinatorial optimization problems. The performance of QAOA improves with increasing number of stages (depth) in the quantum circuit. However, two new parameters are introduced with each added stage for the classical optimizer increasing the number of optimization loop iterations. We note a correlation among parameters of the lower-depth and the higher-depth QAOA implementations and, exploit it by developing a machine learning model to predict the gate parameters close to the optimal values. As a result, the optimization loop converges in a fewer number of iterations. We choose graph MaxCut problem as a prototype to solve using QAOA. We perform a feature extraction routine using 100 different QAOA instances and develop a training data-set with 13,860 optimal parameters. We present our analysis for 4 flavors of regression models and 4 flavors of classical optimizers. Finally, we show that the proposed approach can curtail the number of optimization iterations by on average 44.9% (up to 65.7%) from an analysis performed with 264 flavors of graphs.
• Abstract（参考訳）: 量子超越性(quantum supremacy)を証明する量子古典ハイブリッドアルゴリズムとして,量子近似最適化アルゴリズム(qaoa)の実装を高速化する機械学習手法を提案する。 QAOAでは、パラメトリック量子回路と古典オプティマイザが閉ループで反復してハード組合せ最適化の問題を解く。 QAOAの性能は量子回路のステージ数(深さ)の増加とともに向上する。 しかし、最適化ループの反復数を増やす古典的なオプティマイザのために、各ステージに2つの新しいパラメータが導入された。 本稿では,より深度の高いQAOA実装のパラメータ間の相関について述べるとともに,最適値に近いゲートパラメータを予測する機械学習モデルを開発した。 その結果、最適化ループはより少ないイテレーション数で収束する。 グラフMaxCut問題をQAOAを用いて解くためのプロトタイプとして選択する。 我々は,100の異なるQAOAインスタンスを用いて特徴抽出ルーチンを実行し,13,860の最適パラメータを持つトレーニングデータセットを開発する。 本稿では,回帰モデルの4つのフレーバーと古典オプティマイザの4つのフレーバーの分析を行う。 最後に,提案手法は264種類のグラフを用いて行った解析から,平均44.9%(最大65.7%)の最適化反復数を削減可能であることを示す。

関連論文リスト

• Quantum Approximate Optimization Algorithm Parameter Prediction Using a Convolutional Neural Network [0.0]
  我々は、深度$p+1$QAOAのパラメータから深度$p+1$QAOAのパラメータを予測する畳み込みニューラルネットワークを構築している。 Max-Cut に対する平均近似比 92735$ 800$ ErdHos-R'enyi を得る。
  論文  参考訳（メタデータ） (2022-11-17T13:20:58Z)
• Iterative-Free Quantum Approximate Optimization Algorithm Using Neural Networks [20.051757447006043]
  そこで本稿では,ニューラルネットワークを用いて与えられた問題に対して,より優れたパラメータを求めるための実践的手法を提案する。 我々の手法は一貫して収束し、最終結果も最高速である。
  論文  参考訳（メタデータ） (2022-08-21T14:05:11Z)
• Twisted hybrid algorithms for combinatorial optimization [68.8204255655161]
  提案されたハイブリッドアルゴリズムは、コスト関数をハミルトニアン問題にエンコードし、回路の複雑さの低い一連の状態によってエネルギーを最適化する。 レベル$p=2,ldots, 6$の場合、予想される近似比をほぼ維持しながら、レベル$p$を1に減らすことができる。
  論文  参考訳（メタデータ） (2022-03-01T19:47:16Z)
• Performance comparison of optimization methods on variational quantum algorithms [2.690135599539986]
  変分量子アルゴリズム(VQA)は、学術・工業研究への応用に短期的な量子ハードウェアを使用するための有望な道を提供する。 SLSQP, COBYLA, CMA-ES, SPSAの4つの最適化手法の性能について検討した。
  論文  参考訳（メタデータ） (2021-11-26T12:13:20Z)
• Parameters Fixing Strategy for Quantum Approximate Optimization Algorithm [0.0]
  そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。 我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
  論文  参考訳（メタデータ） (2021-08-11T15:44:16Z)
• Reducing the Variance of Gaussian Process Hyperparameter Optimization with Preconditioning [54.01682318834995]
  プレコンディショニングは、行列ベクトル乗算を含む反復的な方法にとって非常に効果的なステップである。 プレコンディショニングには、これまで検討されていなかった付加的なメリットがあることを実証する。 基本的に無視可能なコストで、同時に分散を低減することができる。
  論文  参考訳（メタデータ） (2021-07-01T06:43:11Z)
• Transferability of optimal QAOA parameters between random graphs [3.321726991033431]
  本稿では, グラフの局所特性に基づいて, 特定の値に関する最適QAOAパラメータの収束を説明・予測できることを示す。 6ノードのランダムグラフに対して最適化されたパラメータを64ノードのランダムグラフに対してほぼ最適なパラメータとして変更することなくうまく利用できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T15:57:47Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
  モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。 我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
  論文  参考訳（メタデータ） (2020-06-11T17:43:19Z)
• Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
  QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。 このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。 本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-03-11T13:52:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。