論文の概要: Instance Independence of Single Layer Quantum Approximate Optimization
Algorithm on Mixed-Spin Models at Infinite Size
- arxiv url: http://arxiv.org/abs/2102.12043v3
- Date: Tue, 7 Sep 2021 15:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 01:22:15.782449
- Title: Instance Independence of Single Layer Quantum Approximate Optimization
Algorithm on Mixed-Spin Models at Infinite Size
- Title(参考訳): 有限サイズ混合スピンモデルにおける単一層量子近似最適化アルゴリズムのインスタンス独立性
- Authors: Jahan Claes and Wim van Dam
- Abstract要約: 混合スピンモデルの場合、深さ1ドルQAOAは無限大のシステムに限らず特定のインスタンスとは独立であることを示す。
また,期待エネルギーの高次モーメントを明示的に表現し,QAOAの期待性能が集中していることを証明する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the application of the Quantum Approximate Optimization
Algorithm (QAOA) to spin-glass models with random multi-body couplings in the
limit of a large number of spins. We show that for such mixed-spin models the
performance of depth $1$ QAOA is independent of the specific instance in the
limit of infinite sized systems and we give an explicit formula for the
expected performance. We also give explicit expressions for the higher moments
of the expected energy, thereby proving that the expected performance of QAOA
concentrates.
- Abstract(参考訳): 本稿では,多数のスピンの極限におけるランダムな多体結合を持つスピングラスモデルに対する量子近似最適化アルゴリズム(QAOA)の適用について検討する。
このような混合スピンモデルに対して、QAOAの深さ1ドルは無限大システムの極限における特定のインスタンスに依存しないことを示し、期待される性能について明示的な公式を与える。
また,期待エネルギーの高次モーメントを明示的に表現し,QAOAの期待性能が集中していることを証明する。
関連論文リスト
- PAPAL: A Provable PArticle-based Primal-Dual ALgorithm for Mixed Nash
Equilibrium [62.51015395213579]
2プレイヤゼロサム連続ゲームにおける非AL平衡非漸近目的関数について考察する。
提案アルゴリズムは粒子の動きを利用して$ilon$-mixed Nash平衡のランダム戦略の更新を表現する。
論文 参考訳(メタデータ) (2023-03-02T05:08:15Z) - Resource-frugal Hamiltonian eigenstate preparation via repeated quantum
phase estimation measurements [0.0]
ハミルトン固有状態の合成は、量子コンピューティングにおける多くの応用に不可欠である。
我々は,この手法の変種からアイデアを取り入れ,資源フルーガル反復方式を実装した。
我々は、全体効率を高めるために、ターゲットハミルトンの修正を含む拡張を特徴付ける。
論文 参考訳(メタデータ) (2022-12-01T20:07:36Z) - A kernel-based quantum random forest for improved classification [0.0]
従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。
量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。
オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
論文 参考訳(メタデータ) (2022-10-05T15:57:31Z) - 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) - Performance and limitations of the QAOA at constant levels on large
sparse hypergraphs and spin glass models [15.857373057387669]
無限大極限におけるランダム最適化問題のアンサンブル上での任意の一定レベル(層数)における濃度特性を証明した。
我々の分析は、サドル点近似の和対パス積分によって理解することができる。
一定レベルにおけるQAOAの性能は、$qge 4$のときの純$q$-spinモデルの最適性から外れ、偶数であることを示す。
論文 参考訳(メタデータ) (2022-04-21T17:40:39Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳(メタデータ) (2022-01-21T16:35:35Z) - Predicting parameters for the Quantum Approximate Optimization Algorithm
for MAX-CUT from the infinite-size limit [0.05076419064097732]
推定次数$d$のランダムエルドス・レーニグラフに適用したMAX-CUT上でのQAOAの性能を評価するための明示的なアルゴリズムを提案する。
この解析により、エルドス・レーニグラフ上のMAX-CUTのQAOAパラメータとシェリントン・カークパトリックモデルとの明示的なマッピングが得られる。
論文 参考訳(メタデータ) (2021-10-20T17:58:53Z) - Dynamic Gaussian Mixture based Deep Generative Model For Robust
Forecasting on Sparse Multivariate Time Series [43.86737761236125]
本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。
新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。
帰納的解析を可能にするために構造化推論ネットワークも設計されている。
論文 参考訳(メタデータ) (2021-03-03T04:10:07Z) - Empirical performance bounds for quantum approximate optimization [0.27998963147546135]
パフォーマンスバウンダリの定量化は、QAOAが現実のアプリケーションの解決に有効である可能性についての洞察を提供する。
QAOA は、ほとんどのグラフに対して有界な Goemans-Williamson 近似比を超える。
得られたデータセットは、QAOAパフォーマンスに関する経験的バウンダリを確立するためのベンチマークとして提示される。
論文 参考訳(メタデータ) (2021-02-12T23:12:09Z) - Momentum Q-learning with Finite-Sample Convergence Guarantee [49.38471009162477]
本稿では,有限サンプル保証を用いたモーメントに基づくQ-ラーニングアルゴリズムのクラスを解析する。
線形関数近似とマルコフサンプリングによるMomentumQの収束保証を確立する。
提案したMomentumQが他のモーメントベースのQ-ラーニングアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2020-07-30T12:27:03Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳(メタデータ) (2020-06-24T17:53:53Z)
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。