論文の概要: Continuous black-box optimization with quantum annealing and random
subspace coding
- arxiv url: http://arxiv.org/abs/2104.14778v1
- Date: Fri, 30 Apr 2021 06:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 23:31:26.588133
- Title: Continuous black-box optimization with quantum annealing and random
subspace coding
- Title（参考訳）: 量子アニールとランダム部分空間符号化による連続ブラックボックス最適化
- Authors: Syun Izawa, Koki Kitai, Shu Tanaka, Ryo Tamura, Koji Tsuda
- Abstract要約: ベイズ最適化のようなブラックボックス最適化アルゴリズムは、基礎関数の推論と獲得関数の最適化を交互に行い、未知関数の極端を見つける。
高次元空間では、そのようなアルゴリズムは獲得関数の最適化が困難であるため、性能が劣る。
連続ブラックボックス最適化の難しさを克服するために量子アニールを適用する。
- 参考スコア（独自算出の注目度）: 2.839269856680851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A black-box optimization algorithm such as Bayesian optimization finds
extremum of an unknown function by alternating inference of the underlying
function and optimization of an acquisition function. In a high-dimensional
space, such algorithms perform poorly due to the difficulty of acquisition
function optimization. Herein, we apply quantum annealing (QA) to overcome the
difficulty in the continuous black-box optimization. As QA specializes in
optimization of binary problems, a continuous vector has to be encoded to
binary, and the solution of QA has to be translated back. Our method has the
following three parts: 1) Random subspace coding based on axis-parallel
hyperrectangles from continuous vector to binary vector. 2) A quadratic
unconstrained binary optimization (QUBO) defined by acquisition function based
on nonnegative-weighted linear regression model which is solved by QA. 3) A
penalization scheme to ensure that the QA solution can be translated back. It
is shown in benchmark tests that its performance using D-Wave Advantage$^{\rm
TM}$ quantum annealer is competitive with a state-of-the-art method based on
the Gaussian process in high-dimensional problems. Our method may open up a new
possibility of quantum annealing and other QUBO solvers including quantum
approximate optimization algorithm (QAOA) using a gated-quantum computers, and
expand its range of application to continuous-valued problems.
- Abstract（参考訳）: ベイズ最適化のようなブラックボックス最適化アルゴリズムは、基礎関数の推論と取得関数の最適化を交互に行い、未知関数の極限を求める。
高次元空間では、そのようなアルゴリズムは獲得関数の最適化が困難であるため、性能が劣る。
ここでは,連続ブラックボックス最適化の難しさを克服するために量子アニーリング(qa)を適用する。
QAはバイナリ問題の最適化を専門とするため、連続ベクトルをバイナリに符号化し、QAの解を変換する必要がある。
1) 連続ベクトルからバイナリベクトルへの軸-平行超矩形に基づくランダム部分空間符号化。
2) QAによって解かれる非負重み付き線形回帰モデルに基づいて, 獲得関数によって定義される二次的非制約バイナリ最適化(QUBO)。
3) qaソリューションが逆変換可能であることを保証するためのペナルゼーションスキーム。
D-Wave Advantage$^{\rm TM}$ quantum annealer を用いたベンチマークテストでは、高次元問題におけるガウス過程に基づく最先端の手法と競合することが示されている。
本手法は、ゲート量子量子コンピュータを用いた量子近似最適化アルゴリズム(qaoa)を含む量子アニーリングおよび他のquboソルバの新たな可能性を開き、その応用範囲を連続値問題に拡大する。
関連論文リスト
- Quantum molecular docking with quantum-inspired algorithm [4.959284967789063]
本稿ではQAに着想を得た新しい量子分子ドッキング(QMD)手法を提案する。
我々は2つのバイナリ符号化法を構築し、指数的にビット数を減らした自由度を効率的に識別する。
我々は,QMDが検索ベースであるAuto VinaとディープラーニングのDIFFDOCKに対して,再ドッキングと自己ドッキングの両方のシナリオで優位性を示したことを示す。
論文 参考訳（メタデータ） (2024-04-12T06:24:45Z) - GRAPE optimization for open quantum systems with time-dependent
decoherence rates driven by coherent and incoherent controls [77.34726150561087]
グラディエントアセンセントパルス工学(GRAPE)法は量子制御の最適化に広く用いられている。
我々は、コヒーレント制御と非コヒーレント制御の両方によって駆動されるオープン量子系の目的関数を最適化するために、GRAPE法を採用する。
状態-状態遷移問題に対する数値シミュレーションによりアルゴリズムの効率を実証する。
論文 参考訳（メタデータ） (2023-07-17T13:37:18Z) - Trainable Variational Quantum-Multiblock ADMM Algorithm for Generation
Scheduling [0.0]
本稿では、量子コンピューティング、機械学習、分散最適化による生成スケジューリングのための2ループ量子解アルゴリズムを提案する。
この目的は、実用的な電力系統の問題を解決するために、限られた量子ビット数を持つ短期量子機械の雑音を緩和することである。
論文 参考訳（メタデータ） (2023-03-28T21:31:39Z) - QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum
machines [81.4597482536073]
量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。
量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。
提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
論文 参考訳（メタデータ） (2022-05-24T03:49:10Z) - Accelerated Convergence of Contracted Quantum Eigensolvers through a
Quasi-Second-Order, Locally Parameterized Optimization [0.0]
収縮量子固有解法(CQE)は、量子コンピュータ上の多電子シュリンガー方程式の解を求める。
本研究では,古典最適化理論のツールを用いて,CQEとその波動関数アンサッツの収束を加速する。
論文 参考訳（メタデータ） (2022-05-03T18:48:04Z) - Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。
本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。
提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
論文 参考訳（メタデータ） (2021-07-08T17:59:55Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z) - Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。
本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。
Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
論文 参考訳（メタデータ） (2021-05-06T17:59:38Z) - Improving the Quantum Approximate Optimization Algorithm with
postselection [0.0]
組合せ最適化は、短期的およびフォールトトレラントな量子コンピュータに想定される主な応用の1つである。
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は3つの正則グラフ上のMaxCut問題に適用される。
理論上界と下界を導いており、満たされた辺の分数の一定(小さい)増加が実際に達成可能であることを示す。
論文 参考訳（メタデータ） (2020-11-10T22:17:50Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$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) - Multi-block ADMM Heuristics for Mixed-Binary Optimization on Classical
and Quantum Computers [3.04585143845864]
本稿では,2次最適化問題に対する現行手法の適用性を高めるために,分解に基づくアプローチを提案する。
我々は、乗算器の交互方向法(ADMM)が、MBOを二項制約のない問題(量子アルゴリズムで解ける)に分割できることを示した。
提案手法の有効性は,Qiskit で実装された量子回路上での VQE と QAOA を用いたシミュレーションにより,いくつかの最適化問題に対して得られた数値結果によって示される。
論文 参考訳（メタデータ） (2020-01-07T14:43:13Z)
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。