Fugu-MT 論文翻訳(概要): Comparison between the Iterative Local Search and Exhaustive Search methods applied to QAOA in Max-Cut and Ising Spin Model problems

論文の概要: Comparison between the Iterative Local Search and Exhaustive Search methods applied to QAOA in Max-Cut and Ising Spin Model problems

arxiv url: http://arxiv.org/abs/2205.03441v1
Date: Fri, 6 May 2022 18:27:57 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 03:27:01.706715
Title: Comparison between the Iterative Local Search and Exhaustive Search methods applied to QAOA in Max-Cut and Ising Spin Model problems
Title（参考訳）: Max-Cut と Ising Spin Model 問題における反復局所探索法とQAOA に適用した排他探索法の比較
Authors: Brian Garc\'ia Sarmina
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A comparison is made between Exhaustive Search (ES) and Iterative Local Search (ILS). Such comparison was made using the Quantum Approximation Optimization Algorithm (QAOA). QAOA has been extensively researched due to its this potential to be implemented in actual quantum hardware, and its promising future in optimization problems and quantum machine learning. ES and ILS approaches were simulated to determine the pros and cons of these techniques for QAOA in local (classic computer) and real simulations (IBM quantum computer). These classic approaches were used in QAOA to approximate the optimal expected value in Max-Cut and Ising Spin Model (ISM) problems, both of these flavors have three simulated configurations called: linear, cyclic and complete (or full).
Abstract（参考訳）: Exhaustive Search (ES) と Iterative Local Search (ILS) を比較した。この比較は量子近似最適化アルゴリズム(QAOA)を用いて行った。 QAOAは、実際の量子ハードウェアに実装される可能性や、最適化問題や量子機械学習における将来性から、広く研究されている。 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。これらの古典的なアプローチは、Max-Cut と Ising Spin Model (ISM) 問題の最適値を近似するためにQAOAで用いられ、どちらも線形、巡回、完全(または完全)と呼ばれる3つのシミュレートされた構成を持つ。

関連論文リスト

Hybrid Quantum-HPC Solutions for Max-Cut: Bridging Classical and Quantum Algorithms [0.0]
我々は,ハイブリッドシステムにおける時間的複雑性,スケーラビリティ,通信オーバーヘッドを分析する理論的モデルを構築した。小型のMax-Cutインスタンス上でのQAOAの性能を評価する。
論文参考訳（メタデータ） (2024-10-21T04:10:54Z)
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)
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)
Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文参考訳（メタデータ） (2022-02-17T18:59:20Z)
QAOAKit: A Toolkit for Reproducible Study, Application, and Verification of the QAOA [1.896385060027555]
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。
論文参考訳（メタデータ） (2021-10-11T18:49:13Z)
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)
Towards solving the BCS Hamiltonian gap in Near-Term Quantum Computers [0.0]
NISQフレームワークを用いてBCSハミルトンのギャップを得る。ノイズがあっても、1つの標準偏差内でのギャップを近似する方法を示す。
論文参考訳（メタデータ） (2021-05-31T13:01:23Z)
Empirical performance bounds for quantum approximate optimization [0.27998963147546135]
パフォーマンスバウンダリの定量化は、QAOAが現実のアプリケーションの解決に有効である可能性についての洞察を提供する。 QAOA は、ほとんどのグラフに対して有界な Goemans-Williamson 近似比を超える。得られたデータセットは、QAOAパフォーマンスに関する経験的バウンダリを確立するためのベンチマークとして提示される。
論文参考訳（メタデータ） (2021-02-12T23:12:09Z)
Evaluation of QAOA based on the approximation ratio of individual samples [0.0]
我々は、Max-Cut問題に適用されたQAOAの性能をシミュレートし、いくつかの古典的代替品と比較する。 QAOA計算複雑性理論のガイダンスが進化しているため、量子的優位性を求めるためのフレームワークを利用する。
論文参考訳（メタデータ） (2020-06-08T18:00:18Z)
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。