論文の概要: Insights on Training Neural Networks for QUBO Tasks

• arxiv url: http://arxiv.org/abs/2004.14036v1
• Date: Wed, 29 Apr 2020 09:09:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:38:16.614250
• Title: Insights on Training Neural Networks for QUBO Tasks
• Title（参考訳）: QUBOタスクのためのニューラルネットワークのトレーニングに関する考察
• Authors: Thomas Gabor, Sebastian Feld, Hila Safi, Thomy Phan, Claudia Linnhoff-Popien (LMU Munich)
• Abstract要約: 現在のハードウェア制限は、二次的制約のないバイナリ最適化問題を解く際のポテンシャルを制限する。 我々は、任意のQUBO問題を解決するためにニューラルネットワークを訓練し、スケッチ手段は、量子コンピューティングのためのシミュレータや追加のコプロセッサとしてニューロモルフィックハードウェアを使用する。
• 参考スコア（独自算出の注目度）: 8.784674687542603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current hardware limitations restrict the potential when solving quadratic unconstrained binary optimization (QUBO) problems via the quantum approximate optimization algorithm (QAOA) or quantum annealing (QA). Thus, we consider training neural networks in this context. We first discuss QUBO problems that originate from translated instances of the traveling salesman problem (TSP): Analyzing this representation via autoencoders shows that there is way more information included than necessary to solve the original TSP. Then we show that neural networks can be used to solve TSP instances from both QUBO input and autoencoders' hiddenstate representation. We finally generalize the approach and successfully train neural networks to solve arbitrary QUBO problems, sketching means to use neuromorphic hardware as a simulator or an additional co-processor for quantum computing.
• Abstract（参考訳）: 現在のハードウェア制限は、量子近似最適化アルゴリズム(QAOA)または量子アニーリング(QA)を介して2次非制約バイナリ最適化(QUBO)問題を解く際のポテンシャルを制限する。 したがって、この文脈でニューラルネットワークを訓練することを検討する。 本稿ではまず,旅行セールスマン問題(TSP)の翻訳事例から得られたQUBO問題について論じる。 次に、qubo入力とオートエンコーダのhiddenstate表現の両方からtspインスタンスを解くためにニューラルネットワークが使用できることを示す。 最終的にこのアプローチを一般化し、任意のQUBO問題を解決するためにニューラルネットワークをトレーニングし、神経型ハードウェアをシミュレータや量子コンピューティングのための余分なコプロセッサとして使用するためのスケッチを行う。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• Verified Neural Compressed Sensing [58.98637799432153]
  精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。 極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。 ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
  論文  参考訳（メタデータ） (2024-05-07T12:20:12Z)
• Quantum Annealing and Graph Neural Networks for Solving TSP with QUBO [0.0]
  本稿では、量子アニーリングアルゴリズムとグラフニューラルネットワークによるトラベリングセールスマン問題(TSP)の解法として、二次非拘束バイナリ最適化(QUBO)モデルの適用について検討する。 TSP(QGNN-TSP)のためのグラフニューラルネットワークソリューションを導入し、問題の基盤構造を学習し、QUBOに基づく損失関数の勾配降下による競合ソリューションを生成する。
  論文  参考訳（メタデータ） (2024-02-21T05:55:00Z)
• Training Multi-layer Neural Networks on Ising Machine [41.95720316032297]
  本稿では,量子化ニューラルネットワーク(QNN)を学習するためのIsing学習アルゴリズムを提案する。 私たちが知る限りでは、Isingマシン上で多層フィードフォワードネットワークをトレーニングする最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2023-11-06T04:09:15Z)
• Realization of a quantum neural network using repeat-until-success circuits in a superconducting quantum processor [0.0]
  本稿では、リアルタイム制御-フローフィードバックによって実現されたリピート・アンティル・サクセス回路を用いて、非線形活性化機能を持つ量子ニューロンを実現する。 例えば、2ビットから1ビットのブール関数をすべて学習できる最小限のフィードフォワード量子ニューラルネットワークを構築する。 このモデルは非線形分類を行い、全ての入力の最大重ね合わせからなる単一のトレーニング状態の複数のコピーから効果的に学習する。
  論文  参考訳（メタデータ） (2022-12-21T03:26:32Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
  本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。 組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
  論文  参考訳（メタデータ） (2022-08-08T03:13:24Z)
• 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)
• 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)
• Quantum Computing for Artificial Intelligence Based Mobile Network Optimization [0.0]
  本稿では,人工知能における制約満足度問題の概念を用いて,特定の無線アクセスネットワーク最適化問題をモデル化する方法について論じる。 ケーススタディでは、重要なLTE/NR物理ランダムアクセスチャネル構成に関連する自動化ユースケースであるルートシーケンスインデックス(RSI)割り当て問題について論じる。 本稿では,商用モバイルネットワークから取得したデータを用いて構築した2次非制約バイナリ最適化(QUBO)問題としてRSI割り当てを定式化し,クラウドベースの商用量子コンピューティングプラットフォームを用いて解決する。
  論文  参考訳（メタデータ） (2021-06-26T01:05:43Z)

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。