Fugu-MT 論文翻訳(概要): Quantum-Enhanced Simulation-Based Optimization

論文の概要: Quantum-Enhanced Simulation-Based Optimization

arxiv url: http://arxiv.org/abs/2005.10780v1
Date: Thu, 21 May 2020 17:02:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 03:37:40.247866
Title: Quantum-Enhanced Simulation-Based Optimization
Title（参考訳）: 量子強化シミュレーションに基づく最適化
Authors: Julien Gacon, Christa Zoufal, Stefan Woerner
Abstract要約: シミュレーションに基づく最適化は、正確に評価するのに計算コストのかかる目的関数を最適化することを目指している。量子振幅推定(QAE)は、古典モンテカルロシミュレーションよりも2次的なスピードアップを達成することができる。
参考スコア（独自算出の注目度）: 0.8057006406834467
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a quantum-enhanced algorithm for simulation-based optimization. Simulation-based optimization seeks to optimize an objective function that is computationally expensive to evaluate exactly, and thus, is approximated via simulation. Quantum Amplitude Estimation (QAE) can achieve a quadratic speed-up over classical Monte Carlo simulation. Hence, in many cases, it can achieve a speed-up for simulation-based optimization as well. Combining QAE with ideas from quantum optimization, we show how this can be used not only for continuous but also for discrete optimization problems. Furthermore, the algorithm is demonstrated on illustrative problems such as portfolio optimization with a Value at Risk constraint and inventory management.
Abstract（参考訳）: 本稿では,シミュレーションに基づく最適化のための量子エンハンスアルゴリズムを提案する。シミュレーションに基づく最適化は、正確に評価するために計算コストがかかる目的関数を最適化し、シミュレーションによって近似する。量子振幅推定(QAE)は古典モンテカルロシミュレーションの2次高速化を実現することができる。したがって、多くの場合、シミュレーションベースの最適化のスピードアップも達成できる。 QAEと量子最適化のアイデアを組み合わせることで、連続的なだけでなく離散的な最適化問題にも使用できることを示す。さらに,リスク制約値と在庫管理値を用いたポートフォリオ最適化などの問題についても検証を行った。

関連論文リスト

Quantum-Enhanced Simulation-Based Optimization for Newsvendor Problems [5.500172106704342]
古典モンテカルロシミュレーションと比較して量子振幅推定(QAE)の高効率性を利用する。本研究では,シミュレーションに基づく最適化に量子エンハンスアルゴリズムを用い,NP-hardとして知られる古典ニュース問題の変種を解く。
論文参考訳（メタデータ） (2024-03-26T05:14:50Z)
Towards Optimizations of Quantum Circuit Simulation for Solving Max-Cut Problems with QAOA [1.5047640669285467]
量子近似最適化アルゴリズム(QAOA)は、近似を用いて最適化問題を解くために用いられる一般的な量子アルゴリズムの1つである。しかし、仮想量子コンピュータ上でのQAOAの実行は、最適化問題を解くのに遅いシミュレーション速度に悩まされている。本稿では,QAOAの量子演算を数学的に最適化し,QCSを高速化する手法を提案する。
論文参考訳（メタデータ） (2023-12-05T06:08:57Z)
Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-04T01:47:37Z)
Exponential Quantum Speedup for Simulation-Based Optimization Applications [4.302408747749262]
シミュレーション問題の線形性を特徴とするQuSOのLinQuSOサブクラスに着目した。我々は、LinQuSO問題の大規模な部分群が、そのシミュレーション成分に関して指数的量子スピードアップで解けることを証明した。
論文参考訳（メタデータ） (2023-05-15T09:32:51Z)
Quantum approximate optimization via learning-based adaptive optimization [5.399532145408153]
量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
論文参考訳（メタデータ） (2023-03-27T02:14:56Z)
An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文参考訳（メタデータ） (2022-10-27T01:58:10Z)
Evaluating the Convergence of Tabu Enhanced Hybrid Quantum Optimization [58.720142291102135]
本稿では,量子ハードウェア上での最適化問題解決に有用な Tabu Enhanced Hybrid Quantum Optimization メタヒューリスティック手法を提案する。提案手法の理論的収束を,イジングモデルに基づくタブ状態を保存する対象の衝突の観点から考察する。
論文参考訳（メタデータ） (2022-09-05T07:23:03Z)
Classically optimized Hamiltonian simulation [0.0]
ハミルトンシミュレーションは量子コンピュータにとって有望な応用である。トロッター積公式と比較して、古典的に最適化された回路は桁違いに正確であることを示す。
論文参考訳（メタデータ） (2022-05-23T16:14:43Z)
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)
A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文参考訳（メタデータ） (2020-06-23T01:34:18Z)
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。