論文の概要: Unsupervised strategies for identifying optimal parameters in Quantum
Approximate Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2202.09408v2
- Date: Fri, 6 May 2022 17:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 17:25:54.705431
- Title: Unsupervised strategies for identifying optimal parameters in Quantum
Approximate Optimization Algorithm
- Title（参考訳）: 量子近似最適化アルゴリズムにおける最適パラメータ同定のための教師なし戦略
- Authors: Charles Moussa, Hao Wang, Thomas B\"ack, Vedran Dunjko
- Abstract要約: 最適化なしでパラメータを設定するための教師なし機械学習手法について検討する。
繰り返しに使用するQAOAパラメータの数が3ドルに制限された場合、これらをRecursive-QAOAで3ドルまで紹介します。
我々は、アングルを広範囲に最適化し、多数のサーキットコールを省く場合と同じような性能を得る。
- 参考スコア（独自算出の注目度）: 3.508346077709686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As combinatorial optimization is one of the main quantum computing
applications, many methods based on parameterized quantum circuits are being
developed. In general, a set of parameters are being tweaked to optimize a cost
function out of the quantum circuit output. One of these algorithms, the
Quantum Approximate Optimization Algorithm stands out as a promising approach
to tackling combinatorial problems. However, finding the appropriate parameters
is a difficult task. Although QAOA exhibits concentration properties, they can
depend on instances characteristics that may not be easy to identify, but may
nonetheless offer useful information to find good parameters. In this work, we
study unsupervised Machine Learning approaches for setting these parameters
without optimization. We perform clustering with the angle values but also
instances encodings (using instance features or the output of a variational
graph autoencoder), and compare different approaches. These angle-finding
strategies can be used to reduce calls to quantum circuits when leveraging QAOA
as a subroutine. We showcase them within Recursive-QAOA up to depth $3$ where
the number of QAOA parameters used per iteration is limited to $3$, achieving a
median approximation ratio of $0.94$ for MaxCut over $200$ Erd\H{o}s-R\'{e}nyi
graphs. We obtain similar performances to the case where we extensively
optimize the angles, hence saving numerous circuit calls.
- Abstract（参考訳）: 組合せ最適化が主要な量子コンピューティング応用の1つであるため、パラメータ化量子回路に基づく多くの手法が開発されている。
一般に、量子回路出力からコスト関数を最適化するためにパラメータのセットが微調整されている。
これらのアルゴリズムの1つであるQuantum Approximate Optimization Algorithmは、組合せ問題に対処するための有望なアプローチである。
しかし、適切なパラメータを見つけることは難しい作業である。
qaoaは濃度特性を示すが、識別が容易でないインスタンス特性に依存するが、優れたパラメータを見つけるための有用な情報を提供する可能性がある。
本研究では,これらのパラメータを最適化せずに設定するための教師なし機械学習手法について検討する。
我々は、アングル値だけでなく、インスタンスエンコーディング(インスタンス特徴や変分グラフオートエンコーダの出力)によるクラスタリングを実行し、異なるアプローチを比較します。
これらの角度決定戦略は、QAOAをサブルーチンとして利用する際に量子回路への呼び出しを減らすために使用できる。
繰り返しに使用するQAOAパラメータの値は3ドルに制限され、200ドルのErd\H{o}s-R\'{e}nyiグラフ上でMaxCutに対して0.94ドルの中央値近似比が得られる。
我々は、アングルを広範囲に最適化し、多数の回路呼び出しを省く場合と同様の性能を得る。
関連論文リスト
- Symmetry-preserved cost functions for variational quantum eigensolver [0.0]
ハイブリッド量子-古典的変分アルゴリズムは、ノイズの多い量子コンピュータに最適であると考えられている。
コスト関数に直接対称性の保存を符号化し、ハードウェア効率の良いAns"atzeをより効率的に利用できるようにする。
論文 参考訳（メタデータ） (2024-11-25T20:33:47Z) - 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) - Graph Representation Learning for Parameter Transferability in Quantum Approximate Optimization Algorithm [1.0971022294548696]
量子近似最適化アルゴリズム(QAOA)は、量子拡張最適化による量子優位性を達成するための最も有望な候補の1つである。
本研究では,5種類のグラフ埋め込み手法を適用し,パラメータ転送可能性に対する適切なドナー候補を決定する。
この手法を用いて,パラメータ最適化に要するイテレーション数を効果的に削減し,目標問題に対する近似解を桁違いに高速化する。
論文 参考訳（メタデータ） (2024-01-12T16:01:53Z) - Trainability Analysis of Quantum Optimization Algorithms from a Bayesian
Lens [2.9356265132808024]
雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。
この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
論文 参考訳（メタデータ） (2023-10-10T02:56:28Z) - Quantum Goemans-Williamson Algorithm with the Hadamard Test and
Approximate Amplitude Constraints [62.72309460291971]
本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。
補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。
各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
論文 参考訳（メタデータ） (2022-06-30T03:15:23Z) - Twisted hybrid algorithms for combinatorial optimization [68.8204255655161]
提案されたハイブリッドアルゴリズムは、コスト関数をハミルトニアン問題にエンコードし、回路の複雑さの低い一連の状態によってエネルギーを最適化する。
レベル$p=2,ldots, 6$の場合、予想される近似比をほぼ維持しながら、レベル$p$を1に減らすことができる。
論文 参考訳（メタデータ） (2022-03-01T19:47:16Z) - 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) - Progress towards analytically optimal angles in quantum approximate
optimisation [0.0]
量子近似最適化アルゴリズム(Quantum Approximate optimization algorithm)は、量子プロセッサ上で実行される時間可変分割演算子である。
p=1$層の最適パラメータが1自由変数に減少し、熱力学の極限で最適角度を回復することが証明された。
さらに、重なり関数の勾配の消失条件は、回路パラメータ間の線形関係を導出し、キュービット数に依存しない類似の形式を持つことを示した。
論文 参考訳（メタデータ） (2021-09-23T18:00:13Z) - Parameters Fixing Strategy for Quantum Approximate Optimization
Algorithm [0.0]
そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。
我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
論文 参考訳（メタデータ） (2021-08-11T15:44:16Z) - 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) - 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。