論文の概要: A Depth-Progressive Initialization Strategy for Quantum Approximate
Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2209.11348v2
- Date: Wed, 28 Sep 2022 02:25:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 17:40:32.000647
- Title: A Depth-Progressive Initialization Strategy for Quantum Approximate
Optimization Algorithm
- Title（参考訳）: 量子近似最適化アルゴリズムの深さ進行初期化戦略
- Authors: Xinwei Lee, Ningyi Xie, Yoshiyuki Saito, Dongsheng Cai, Nobuyoshi Asai
- Abstract要約: まず,QAOAにおける最適パラメータのパターンを2方向から議論する。
次に、探索空間の境界を決定するために使用される予想の対称性と周期性について議論する。
本稿では,従来の最適パラメータ間の差を考慮し,新しい初期パラメータを予測する戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quantum approximate optimization algorithm (QAOA) is known for its
capability and universality in solving combinatorial optimization problems on
near-term quantum devices. The results yielded by QAOA depend strongly on its
initial variational parameters. Hence, parameters selection for QAOA becomes an
active area of research as bad initialization might deteriorate the quality of
the results, especially at great circuit depths. We first discuss on the
patterns of optimal parameters in QAOA in two directions: the angle index and
the circuit depth. Then, we discuss on the symmetries and periodicity of the
expectation that is used to determine the bounds of the search space. Based on
the patterns in optimal parameters and the bounds restriction, we propose a
strategy which predicts the new initial parameters by taking the difference
between previous optimal parameters. Unlike most other strategies, the strategy
we propose does not require multiple trials to ensure success. It only requires
one prediction when progressing to the next depth. We compare this strategy
with our previously proposed strategy and the layerwise strategy on solving the
Max-cut problem, in terms of the approximation ratio and the optimization cost.
We also address the non-optimality in previous parameters, which is seldom
discussed in other works, despite its importance in explaining the behavior of
variational quantum algorithms.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)は、短期量子デバイスにおける組合せ最適化問題を解く能力と普遍性で知られている。
QAOAによって得られる結果は、初期変動パラメータに強く依存する。
したがって、QAOAのパラメータ選択は、特に回路深度の高い結果の品質を劣化させる可能性があるため、研究の活発な領域となる。
まず,QAOAにおける最適パラメータのパターンを,角度指数と回路深さの2つの方向に議論する。
次に、探索空間の境界を決定するのに使用される期待の対称性と周期性について議論する。
最適パラメータのパターンと境界制約に基づいて,従来の最適パラメータの差を考慮し,新しい初期パラメータを予測する戦略を提案する。
他の戦略とは異なり、我々の提案する戦略は成功を保証するために複数の試行を必要としない。
次の深さに進むには1つの予測しか必要ありません。
我々は,この戦略を,近似比と最適化コストの観点から,これまで提案した戦略と,マックスカット問題を解くための階層戦略と比較した。
また, 変動量子アルゴリズムの振る舞いを説明する上での重要性にもかかわらず, 従来のパラメータにおける非最適性についても論じる。
関連論文リスト
- Adiabatic-Passage-Based Parameter Setting for Quantum Approximate
Optimization Algorithm [0.7252027234425334]
本稿では,新しい断熱パスに基づくパラメータ設定法を提案する。
本手法は, 3SAT問題に適用した場合の最適化コストを, サブ線形レベルに著しく低減する。
論文 参考訳（メタデータ） (2023-11-30T01:06:41Z) - Hybrid GRU-CNN Bilinear Parameters Initialization for Quantum
Approximate Optimization Algorithm [7.502733639318316]
本稿では, Gated Recurrent Units (GRU), Conal Neural Networks (CNN), and a bilinear strategy as an innovative alternative to conventional approximation for predicting optimal parameters of QAOA circuits。
我々は、GRU-CNN最適化から得られた参照パラメータを用いて、より深い深さでQAOA回路パラメータに初期化するための双線形戦略を用いる。
論文 参考訳（メタデータ） (2023-11-14T03:00:39Z) - Probabilistic tensor optimization of quantum circuits for the
max-$k$-cut problem [0.0]
本稿では,変分量子アルゴリズムにおけるパラメータ化回路の最適化手法を提案する。
本稿では,量子近似最適化アルゴリズム (QAOA) を最大$k$-cut問題に適用した例について述べる。
論文 参考訳（メタデータ） (2023-10-16T12:56:22Z) - Iterative Layerwise Training for Quantum Approximate Optimization
Algorithm [0.39945675027960637]
最適化問題の解法における量子近似最適化アルゴリズム(QAOA)の能力は近年,盛んに研究されている。
本稿では,QAOAによる問題解決における最適化コスト削減の可能性を検討する。
論文 参考訳（メタデータ） (2023-09-24T05:12:48Z) - Regret Bounds for Expected Improvement Algorithms in Gaussian Process
Bandit Optimization [63.8557841188626]
期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。
本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。
我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
論文 参考訳（メタデータ） (2022-03-15T13:17:53Z) - 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) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - 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) - 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) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。