論文の概要: Quantum optimisation via maximally amplified states
- arxiv url: http://arxiv.org/abs/2111.00796v3
- Date: Wed, 1 Jun 2022 04:07:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 17:08:30.642984
- Title: Quantum optimisation via maximally amplified states
- Title（参考訳）: 最大増幅状態による量子最適化
- Authors: Tavis Bennett and Jingbo B. Wang
- Abstract要約: 本稿では,短期量子コンピューティングの制限回路深度文脈における最適化のための新しい量子アルゴリズムを提案する。
最大増幅最適化アルゴリズム(MAOA)は、他の短期量子アルゴリズムよりもかなり優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the Maximum Amplification Optimisation Algorithm (MAOA),
a novel quantum algorithm designed for combinatorial optimisation in the
restricted circuit depth context of near-term quantum computing. The MAOA first
produces a quantum state in which the optimal solutions to a problem are
amplified to the maximum extent possible subject to a given restricted circuit
depth. Subsequent repeated preparation and measurement of this maximally
amplified state produces solutions of the highest quality as efficiently as
possible. The MAOA performs considerably better than other near-term quantum
algorithms, such as the Quantum Approximate Optimisation Algorithm (QAOA), as
it amplifies optimal solutions significantly more and does so without the
computationally demanding variational procedure required by these other
algorithms. Additionally, a restricted circuit depth modification of the
existing Grover adaptive search is introduced. This modified algorithm is
referred to as the restricted Grover adaptive search (RGAS), and provides a
useful comparison to the MAOA. The MAOA and RGAS are simulated on a practical
vehicle routing problem, a computationally demanding portfolio optimisation
problem, and an arbitrarily large problem with normally distributed solution
qualities. In all cases, the MAOA and RGAS are shown to provide substantial
speedup over classical random sampling in finding optimal solutions, while the
MAOA consistently outperforms the RGAS. The speedup provided by the MAOA is
quantified by demonstrating numerical convergence to a theoretically derived
upper bound.
- Abstract（参考訳）: 本稿では,近時量子コンピューティングの制限回路深さ文脈における組合せ最適化のための新しい量子アルゴリズムである最大増幅最適化アルゴリズム(MAOA)を提案する。
MAOAはまず、与えられた制限された回路深さの最大範囲に最適解を増幅する量子状態を生成する。
その後、この最大増幅状態の繰り返し調製および測定により、最高品質の溶液を可能な限り効率的に生成する。
MAOAは、量子近似最適化アルゴリズム (Quantum Approximate Optimisation Algorithm, QAOA) のような他の短期量子アルゴリズムよりもはるかに優れた性能を示しており、これらの他のアルゴリズムが要求する変分処理を必要とせず、最適な解を著しく増幅する。
また、既存のグローバー適応探索の制限回路深度修正を導入する。
この修正アルゴリズムは制限グロバー適応探索 (restricted grover adaptive search, rgas) と呼ばれ、maoaと比較して有用である。
MAOAとRGASは、実用的な車両ルーティング問題、計算的に要求されるポートフォリオ最適化問題、通常分散されたソリューション品質を持つ任意に大きな問題に基づいてシミュレーションされる。
いずれの場合も、MAOAとRGASは古典的ランダムサンプリングよりも大幅に高速化され、MAOAはRGASより一貫して優れている。
MAOAによって提供されるスピードアップは、理論上界への数値収束を示すことによって定量化される。
関連論文リスト
- Solving the Independent Domination Problem by Quantum Approximate Optimization Algorithm [0.5919433278490629]
独立支配問題(IDP)は、様々な現実のシナリオにおいて実践的な意味を持つ。
IDPの既存の古典的アルゴリズムは計算の複雑さに悩まされている。
本稿では、IDPに対処するための量子近似最適化(QAOA)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-10-22T17:49:00Z) - MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。
良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。
ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合ディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2024-09-27T12:28:18Z) - 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) - Recursive Quantum Approximate Optimization Algorithm for the MAX-CUT
problem on Complete graphs [1.90365714903665]
量子近似最適化アルゴリズムは、MAX-CUT問題のような最適化問題を近似的に解くために設計されたハイブリッド量子古典的変分アルゴリズムである。
近い将来の量子応用の可能性にもかかわらず、量子近似最適化アルゴリズムはMAX-CUT問題を解くための制限があることが知られている。
論文 参考訳（メタデータ） (2022-11-28T23:51:02Z) - Ising formulation of integer optimization problems for utilizing quantum
annealing in iterative improvement strategy [1.14219428942199]
繰り返し改善戦略において量子アニーリングを利用するために,整数最適化問題のイジング定式化を提案する。
基底状態と候補解との重なりがしきい値を超えた場合, 完全に連結されたフェロポッツモデルに対して一階相転移を回避できることを解析的に示す。
論文 参考訳（メタデータ） (2022-11-08T02:12:49Z) - Monte Carlo Tree Search based Hybrid Optimization of Variational Quantum
Circuits [7.08228773002332]
我々はMCTS-QAOAと呼ばれる新しい変分量子アルゴリズムを提案する。
モンテカルロ木探索法と改良された自然ポリシー勾配解法を組み合わせて、量子回路内の離散変数と連続変数を最適化する。
MCTS-QAOAは耐雑音性に優れ、一般化QAOAの挑戦事例において先行アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-03-30T23:15:21Z) - Quantum constraint learning for quantum approximate optimization
algorithm [0.0]
本稿では,探索部分空間を厳しく制約するミキサーハミルトンを学習するための量子機械学習手法を提案する。
学習したユニタリを直接適応可能なアンサッツを使用してQAOAフレームワークにプラグインすることができる。
また,Wasserstein距離を用いた近似最適化アルゴリズムの性能を,制約なしで評価する直感的計量法を開発した。
論文 参考訳（メタデータ） (2021-05-14T11:31:14Z) - 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) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - 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。
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。