Fugu-MT 論文翻訳(概要): Iterative-Free Quantum Approximate Optimization Algorithm Using Neural Networks

論文の概要: Iterative-Free Quantum Approximate Optimization Algorithm Using Neural Networks

arxiv url: http://arxiv.org/abs/2208.09888v1
Date: Sun, 21 Aug 2022 14:05:11 GMT
ステータス: 処理完了
システム内更新日: 2023-01-30 07:20:41.991121
Title: Iterative-Free Quantum Approximate Optimization Algorithm Using Neural Networks
Title（参考訳）: ニューラルネットワークを用いた反復自由量子近似最適化アルゴリズム
Authors: Ohad Amosy, Tamuz Danzig, Ely Porat, Gal Chechik and Adi Makmal
Abstract要約: そこで本稿では,ニューラルネットワークを用いて与えられた問題に対して,より優れたパラメータを求めるための実践的手法を提案する。我々の手法は一貫して収束し、最終結果も最高速である。
参考スコア（独自算出の注目度）: 20.051757447006043
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The quantum approximate optimization algorithm (QAOA) is a leading iterative variational quantum algorithm for heuristically solving combinatorial optimization problems. A large portion of the computational effort in QAOA is spent by the optimization steps, which require many executions of the quantum circuit. Therefore, there is active research focusing on finding better initial circuit parameters, which would reduce the number of required iterations and hence the overall execution time. While existing methods for parameter initialization have shown great success, they often offer a single set of parameters for all problem instances. We propose a practical method that uses a simple, fully connected neural network that leverages previous executions of QAOA to find better initialization parameters tailored to a new given problem instance. We benchmark state-of-the-art initialization methods for solving the MaxCut problem of Erd\H{o}s-R\'enyi graphs using QAOA and show that our method is consistently the fastest to converge while also yielding the best final result. Furthermore, the parameters predicted by the neural network are shown to match very well with the fully optimized parameters, to the extent that no iterative steps are required, thereby effectively realizing an iterative-free QAOA scheme.
Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)は、組合せ最適化問題をヒューリスティックに解くための反復変分量子アルゴリズムである。 QAOAの計算作業の大部分は、量子回路の多くの実行を必要とする最適化ステップに費やされている。したがって、より優れた初期回路パラメータの発見に焦点をあてた研究が活発に行われており、必要なイテレーションの数を減らし、全体の実行時間を短縮する。既存のパラメータ初期化メソッドは大きな成功を収めているが、多くの場合、すべての問題インスタンスに対して単一のパラメータセットを提供する。そこで本研究では,QAOAの過去の実行を活用して,与えられた問題インスタンスに合わせたより優れた初期化パラメータを求める,シンプルな完全連結ニューラルネットワークを用いた実用的手法を提案する。我々は、QAOAを用いて、Erd\H{o}s-R\enyi グラフの MaxCut 問題を解くための最先端初期化手法をベンチマークし、この手法が収束する最も高速であり、かつ最高の最終結果が得られることを示す。さらに、ニューラルネットワークによって予測されるパラメータは、完全に最適化されたパラメータと非常によく一致し、反復的なステップが不要である程度に示される。

関連論文リスト

Proactively incremental-learning QAOA [9.677961025372115]
逐次学習に基づく量子近似最適化アルゴリズム(QAOA)を提案する。本手法は, 近似比(AR)とトレーニング時間において, 一般的なQAOAよりも優れた性能を有する。
論文参考訳（メタデータ） (2023-11-04T02:15:26Z)
Meta-Learning Digitized-Counterdiabatic Quantum Optimization [3.0638256603183054]
本稿では,リカレントニューラルネットワークを用いたメタラーニング手法を用いて,変分最適化に適した初期パラメータを求める問題に取り組む。我々は、最近提案されたディジタル化対数量子近似アルゴリズム(DC-QAOA)を用いて、この手法について検討する。メタラーニングとDC-QAOAを組み合わせることで、MaxCut問題やSherrington-Kirkpatrickモデルなど、異なるモデルに対する最適な初期パラメータを見つけることができる。
論文参考訳（メタデータ） (2022-06-20T18:57:50Z)
Continuation Path with Linear Convergence Rate [18.405645120971496]
経路追従アルゴリズムは、一連のサブプロブレムを順次解決する合成最適化問題によく用いられる。本稿では,経路追従アルゴリズムの一次双対解析と,対象問題に対する線形収束率を保証するために,各サブプロブレムがどの程度正確に解けるかを決定する。スパーシリティ誘導ペナルティによる最適化を考慮し、正規化パラメータに対するアクティブセットの変化を分析する。
論文参考訳（メタデータ） (2021-12-09T18:42:13Z)
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)
Quantum annealing initialization of the quantum approximate optimization algorithm [0.0]
量子近似最適化アルゴリズム(QAOA)は、近い将来の量子アルゴリズムである。 QAOAで必要とされる外部パラメータの最適化は、パフォーマンスのボトルネックになる可能性がある。本研究では、ランダムグラフ上のMaxCut問題に適用されたQAOAの最適化景観を可視化する。
論文参考訳（メタデータ） (2021-01-14T17:45:13Z)
Recent Theoretical Advances in Non-Convex Optimization [56.88981258425256]
近年、深層ネットワークにおける非最適化アルゴリズムの解析やデータ問題への関心が高まっており、非最適化のための理論的最適化アルゴリズムの最近の結果の概要を概説する。
論文参考訳（メタデータ） (2020-12-11T08:28:51Z)
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)
Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文参考訳（メタデータ） (2020-06-11T17:43:19Z)
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)
Proximal Gradient Algorithm with Momentum and Flexible Parameter Restart for Nonconvex Optimization [73.38702974136102]
アルゴリズムの高速化のために,パラメータ再起動方式が提案されている。本論文では,非滑らかな問題を解くアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-26T16:06:27Z)

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。