論文の概要: Optimizing Quantum Annealing Schedules with Monte Carlo Tree Search enhanced with neural networks

• arxiv url: http://arxiv.org/abs/2004.02836v3
• Date: Wed, 12 Jan 2022 08:24:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 06:15:29.365146
• Title: Optimizing Quantum Annealing Schedules with Monte Carlo Tree Search enhanced with neural networks
• Title（参考訳）: ニューラルネットワークを用いたモンテカルロ木探索による量子アニーリングスケジュールの最適化
• Authors: Yu-Qin Chen, Yu Chen, Chee-Kong Lee, Shengyu Zhang, Chang-Yu Hsieh
• Abstract要約: 断熱アルゴリズムは、アニーリングパスの終端で問題符号化されたハミルトニアンの基礎状態を作成する。 我々はモンテカルロ木探索 (MCTS) アルゴリズムを提案し,その拡張バージョンをニューラルネットワークで強化し,QuantumZero (QZero) と名付けた。 MCTSとQZeroのアルゴリズムは、効果的なアニールスケジュールの発見において、非常によく機能する。
• 参考スコア（独自算出の注目度）: 17.819359687456366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum annealing is a practical approach to approximately implement the adiabatic quantum computational model under a real-world setting. The goal of an adiabatic algorithm is to prepare the ground state of a problem-encoded Hamiltonian at the end of an annealing path. This is typically achieved by driving the dynamical evolution of a quantum system slowly to enforce adiabaticity. Properly optimized annealing schedules often significantly accelerate the computational process. Inspired by the recent success of deep reinforcement learning such as DeepMind's AlphaZero, we propose a Monte Carlo Tree Search (MCTS) algorithm and its enhanced version boosted with neural networks, which we name QuantumZero (QZero), to automate the design of annealing schedules in a hybrid quantum-classical framework. Both the MCTS and QZero algorithms perform remarkably well in discovering effective annealing schedules even when the annealing time is short for the 3-SAT examples we consider in this study. Furthermore, the flexibility of neural networks allows us to apply transfer-learning techniques to boost QZero's performance. We demonstrate in benchmark studies, that MCTS and QZero perform more efficiently than other reinforcement learning algorithms in designing annealing schedules.
• Abstract（参考訳）: 量子アニーリング(quantum annealing)は、実世界環境下で断熱量子計算モデルを概ね実装するための実用的なアプローチである。 断熱アルゴリズムの目標は、アニーリングパスの終端で問題符号化されたハミルトンの基底状態を作成することである。 これは一般的には、量子系の動的進化をゆっくりと駆動して断熱性を強制することによって達成される。 適切に最適化されたアニーリングスケジュールは、しばしば計算プロセスを著しく加速する。 deepmindのalphazeroのような最近の深層強化学習の成功に触発されて、我々はモンテカルロ木探索 (mcts) アルゴリズムとその拡張バージョンをニューラルネットワークで強化し、量子ゼロ (qzero) と命名し、ハイブリッド量子古典フレームワークにおけるアニーリングスケジュールの設計を自動化する。 MCTSとQZeroの両アルゴリズムは,本研究で検討した3つのSAT例に対して,アニーリング時間が短い場合でも,有効アニーリングスケジュールの発見に優れていた。 さらに、ニューラルネットワークの柔軟性により、転送学習技術を適用してQZeroの性能を向上させることができる。 我々は,MCTS と QZero がアニーリングスケジュールの設計において,他の強化学習アルゴリズムよりも効率的に動作することを示す。

関連論文リスト

• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Deep learning optimal quantum annealing schedules for random Ising models [0.0]
  本稿では,Long-Short term memory (LSTM) ニューラルネットワークを用いて,正規グラフ上のランダムIsingモデルに対する最適アニーリングスケジュールの探索を自動化することを提案する。 未確認のインスタンスや、トレーニングに使用されるグラフよりも大きいグラフに対して、最適なアニールスケジュールを予測できます。
  論文  参考訳（メタデータ） (2022-11-28T10:36:37Z)
• Reservoir Computing via Quantum Recurrent Neural Networks [0.5999777817331317]
  既存のVQCまたはQNNベースの手法は、量子回路パラメータの勾配に基づく最適化を行うために、かなりの計算資源を必要とする。 本研究では、量子リカレントニューラルネットワーク(QRNN-RC)に貯水池計算(RC)フレームワークを適用し、逐次モデリングにアプローチする。 数値シミュレーションにより、QRNN-RCは、複数の関数近似および時系列タスクに対して、完全に訓練されたQRNNモデルに匹敵する結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-11-04T17:30:46Z)
• Accelerating equilibrium spin-glass simulations using quantum annealers via generative deep learning [0.0]
  低温でも有限温度でもスピングラスモデルのモンテカルロシミュレーションを加速するために量子コンピュータを利用する方法を示す。 これは、D-Wave量子アニールによって生成されたデータに基づいて生成ニューラルネットワークをトレーニングすることで達成される。 特に、単一スピンフリップとニューラルプロポーザル、D-Waveと古典モンテカルロのトレーニングデータを組み合わせたハイブリッドスキームについて検討する。
  論文  参考訳（メタデータ） (2022-10-20T14:13:49Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Quantum algorithm for stochastic optimal stopping problems with applications in finance [60.54699116238087]
  有名な最小二乗モンテカルロ (LSM) アルゴリズムは、線形最小二乗回帰とモンテカルロシミュレーションを組み合わせることで、最適停止理論の問題を解決する。 プロセスへの量子アクセス、最適な停止時間を計算するための量子回路、モンテカルロの量子技術に基づく量子LSMを提案する。
  論文  参考訳（メタデータ） (2021-11-30T12:21:41Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Stochastic Markov Gradient Descent and Training Low-Bit Neural Networks [77.34726150561087]
  本稿では,量子化ニューラルネットワークのトレーニングに適用可能な離散最適化手法であるGradient Markov Descent (SMGD)を紹介する。 アルゴリズム性能の理論的保証と数値的な結果の促進を提供する。
  論文  参考訳（メタデータ） (2020-08-25T15:48:15Z)
• Quantum Semantic Learning by Reverse Annealing an Adiabatic Quantum Computer [0.0]
  Boltzmann Machines (RBM) は、画像再構成、パターン分類、教師なし学習への応用を含むニューラルネットワークである。 本稿では,AQC(Adiabatic Quantum Computers)における完全RBMの実現可能性を示す。 RBMの各学習ステップを開始するために,入力データを初期境界条件とする意味量子探索を実装した。
  論文  参考訳（メタデータ） (2020-03-25T01:33:33Z)

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。