論文の概要: QAOAKit: A Toolkit for Reproducible Study, Application, and Verification
of the QAOA
- arxiv url: http://arxiv.org/abs/2110.05555v3
- Date: Wed, 3 Nov 2021 21:31:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-11 19:00:13.441378
- Title: QAOAKit: A Toolkit for Reproducible Study, Application, and Verification
of the QAOA
- Title(参考訳): QAOAKit:QAOAの再現可能な研究、応用、検証のためのツールキット
- Authors: Ruslan Shaydulin, Kunal Marwaha, Jonathan Wurtz, Phillip C. Lotshaw
- Abstract要約: 探索研究用に構築された量子近似最適化アルゴリズム(QAOA)のためのPythonツールキットであるQAOAKitを紹介する。
我々は、MaxCut問題の既知パラメータを結合し、標準化し、相互検証し、これをQAOAKitに組み込む。
本稿では、QAOAKitについて説明するとともに、量子最適化において、研究結果を再現し、オープンな問題に取り組むためにどのように使用できるかの例を示す。
- 参考スコア(独自算出の注目度): 1.896385060027555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the best known parameters, performance, and systematic behavior
of the Quantum Approximate Optimization Algorithm (QAOA) remain open research
questions, even as the algorithm gains popularity. We introduce QAOAKit, a
Python toolkit for the QAOA built for exploratory research. QAOAKit is a
unified repository of preoptimized QAOA parameters and circuit generators for
common quantum simulation frameworks. We combine, standardize, and
cross-validate previously known parameters for the MaxCut problem, and
incorporate this into QAOAKit. We also build conversion tools to use these
parameters as inputs in several quantum simulation frameworks that can be used
to reproduce, compare, and extend known results from various sources in the
literature. We describe QAOAKit and provide examples of how it can be used to
reproduce research results and tackle open problems in quantum optimization.
- Abstract(参考訳): 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)の最もよく知られたパラメータ、性能、体系的な振る舞いを理解することは、アルゴリズムが普及してもオープンな研究課題である。
探索研究用に構築されたQAOAのためのPythonツールキットであるQAOAKitを紹介する。
QAOAKitは、量子シミュレーションフレームワークのための事前最適化されたQAOAパラメータと回路ジェネレータの統一リポジトリである。
我々は、MaxCut問題の既知パラメータを結合し、標準化し、相互検証し、これをQAOAKitに組み込む。
また、これらのパラメータをいくつかの量子シミュレーションフレームワークの入力として使用する変換ツールを構築し、文献中の様々なソースから既知の結果を再現、比較、拡張するために使用します。
我々は、qaoakitについて述べ、その研究結果を再現し、量子最適化におけるオープンな問題に取り組む方法の例を示す。
関連論文リスト
- Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。
その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
論文 参考訳(メタデータ) (2023-09-28T18:55:22Z) - A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。
この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。
我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
論文 参考訳(メタデータ) (2023-06-15T15:28:12Z) - OpenQAOA -- An SDK for QAOA [1.6083963553361738]
OpenQAOAは、Quantum Approximate最適化アルゴリズムの作成、カスタマイズ、実行を行うPythonのマルチバックエンドソフトウェア開発キットである。
異なるバックエンド間の回路生成、アンザッツパラメータ、最適化ループ、結果のフォーマット、再帰的QAOAのようなQAOAの拡張といったタスクを標準化し、自動化する。
論文 参考訳(メタデータ) (2022-10-17T02:05:23Z) - Comparison between the Iterative Local Search and Exhaustive Search
methods applied to QAOA in Max-Cut and Ising Spin Model problems [0.0]
Exhaustive Search (ES) と Iterative Local Search (ILS) の比較
ESおよびILSアプローチは、局所(古典的コンピュータ)および実シミュレーション(IBM量子コンピュータ)におけるQAOAにおけるこれらの手法の長所と短所をシミュレートした。
論文 参考訳(メタデータ) (2022-05-06T18:27:57Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳(メタデータ) (2022-01-06T21:02:30Z) - Quantum Approximate Optimization Algorithm applied to the binary
perceptron [0.46664938579243564]
本稿では,量子アニーリング(QA)と量子近似最適化アルゴリズム(QAOA)を,ニューラルネットワークにおける教師あり学習のパラダイムタスクに適用する。
我々はQAOAパラメータに対する最適滑らかな解の存在を証明し、同じ問題の典型例間で伝達可能であることを示す。
従来のQAよりもQAOAの性能が向上したことを示す。
論文 参考訳(メタデータ) (2021-12-19T18:33:22Z) - Quantum Alternating Operator Ansatz (QAOA) Phase Diagrams and
Applications for Quantum Chemistry [0.0]
我々は、分子の基底状態の発見に適用するためにQAOAを修正し、いくつかの分子上で修正アルゴリズムを経験的に評価する。
パラメータのステップとサイズの関数としてQAOAの頑健な定性的挙動が発見され,この挙動が標準的なQAOA探索にも現れることを示す。
論文 参考訳(メタデータ) (2021-08-30T08:24:38Z) - Quantum Approximate Optimization Algorithm Based Maximum Likelihood
Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文 参考訳(メタデータ) (2021-07-11T10:56:24Z) - On exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z)
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。