論文の概要: Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems

• arxiv url: http://arxiv.org/abs/2105.02396v1
• Date: Thu, 6 May 2021 02:22:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 08:06:44.673112
• Title: Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems
• Title（参考訳）: 高制約連続最適化問題の量子サンプリングのための機械学習フレームワーク
• Authors: Blake A. Wilson, Zhaxylyk A. Kudyshev, Alexander V. Kildishev, Sabre Kais, Vladimir M. Shalaev, and Alexandra Boltasseva
• Abstract要約: 本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
• 参考スコア（独自算出の注目度）: 101.18253437732933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, there is a growing interest in using quantum computers for solving combinatorial optimization problems. In this work, we developed a generic, machine learning-based framework for mapping continuous-space inverse design problems into surrogate quadratic unconstrained binary optimization (QUBO) problems by employing a binary variational autoencoder and a factorization machine. The factorization machine is trained as a low-dimensional, binary surrogate model for the continuous design space and sampled using various QUBO samplers. Using the D-Wave Advantage hybrid sampler and simulated annealing, we demonstrate that by repeated resampling and retraining of the factorization machine, our framework finds designs that exhibit figures of merit exceeding those of its training set. We showcase the framework's performance on two inverse design problems by optimizing (i) thermal emitter topologies for thermophotovoltaic applications and (ii) diffractive meta-gratings for highly efficient beam steering. This technique can be further scaled to leverage future developments in quantum optimization to solve advanced inverse design problems for science and engineering applications.
• Abstract（参考訳）: 近年,組合せ最適化問題を解くために量子コンピュータの利用への関心が高まっている。 本研究では,連続空間逆設計問題を2次非制約バイナリ最適化(QUBO)問題にバイナリ変分オートエンコーダと因子化マシンを用いてマッピングする,汎用的な機械学習ベースのフレームワークを開発した。 因子化機は連続設計空間の低次元二元代理モデルとして訓練され、様々なQUBOサンプルを用いてサンプリングされる。 D-Wave Advantageハイブリッドサンプリングとシミュレート・アニーリングを用いて,因子化機の再サンプリングと再トレーニングを繰り返して,本フレームワークはトレーニングセットの値を超える有益値を示す設計を見出した。 最適化による2つの逆設計問題に対するフレームワークの性能について紹介する。 一 熱光学応用のための熱エミッタトポロジー及び熱エミッタトポロジー (ii)高効率ビームステアリング用回折メタグレーティング この手法は、量子最適化における将来の発展を活用して、科学と工学の応用のための高度な逆設計問題を解決するためにさらに拡張することができる。

関連論文リスト

• Optimized QUBO formulation methods for quantum computing [0.4999814847776097]
  実世界の金融シナリオにインスパイアされたNPハード最適化問題に対して,我々の手法を適用する方法について述べる。 2つのD波量子異方体にこの問題の事例を提出し、これらのシナリオで使用される標準手法と新しい手法の性能を比較した。
  論文  参考訳（メタデータ） (2024-06-11T19:59:05Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Energy Efficiency Maximization in IRS-Aided Cell-Free Massive MIMO System [2.9081408997650375]
  本稿では、入射点におけるビームフォーミングとIRSにおける位相シフトを共同最適化してエネルギー効率(EE)を最大化する、インテリジェント反射面(IRS)を用いたセルレス大規模マルチインプット多重出力システムについて考察する。 EE問題を解くために,2次変換とラグランジアン双対変換を用いて最適ビームフォーミングと位相シフトを求める反復最適化アルゴリズムを提案する。 さらに,共同ビームフォーミングと位相シフト設計のための深層学習に基づくアプローチを提案する。具体的には,教師なし学習方式を用いて2段階の深層ニューラルネットワークをオフラインでトレーニングし,オンラインに展開する。
  論文  参考訳（メタデータ） (2022-12-24T14:58:15Z)
• Prog-QAOA: Framework for resource-efficient quantum optimization through classical programs [0.0]
  現在の量子最適化アルゴリズムでは、元の問題を二進最適化問題として表現し、量子デバイスに適した等価イジングモデルに変換する必要がある。 目的関数を計算し、制約を認証するための古典的プログラムを設計し、後に量子回路にコンパイルする。 その結果,量子近似最適化アルゴリズム (QAOA) が新たに導入された。
  論文  参考訳（メタデータ） (2022-09-07T18:01:01Z)
• Quantum topology optimization of ground structures using noisy intermediate-scale quantum devices [8.325359814939517]
  トポロジ最適化問題に対する潜在的な解決策として,量子コンピュータの利用について検討する。 実機実験を含むいくつかの実験により,提案手法が最適構成を得ることができた。
  論文  参考訳（メタデータ） (2022-07-19T10:39:28Z)
• 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)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。