論文の概要: More efficient parameter initialization strategy in QAOA for Maxcut
- arxiv url: http://arxiv.org/abs/2306.06986v2
- Date: Mon, 26 Jun 2023 09:22:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 22:00:32.458892
- Title: More efficient parameter initialization strategy in QAOA for Maxcut
- Title(参考訳): MaxcutのためのQAOAにおけるより効率的なパラメータ初期化戦略
- Authors: Xiao-Hui Ni, Bin-Bin Cai, Hai-Ling Liu, Su-Juan Qin, Fei Gao and
Qiao-Yan Wen
- Abstract要約: 補間戦略(英: Interpolation-based Strategy、INTERP)は、量子近似最適化アルゴリズム(QAOA)におけるパラメータ戦略である。
本稿では,まず,動作コストの削減を目的とした InterP+ を提案する。また,InterP+ はマルチ補間を生かし,最適化回数の少なくとも半分を削減できる。
シミュレーションの結果, Multi-INTERP+ は InterP と同じ準最適解が得られるだけでなく, InterP や InterP+ よりも高い平均性能が得られることがわかった。
- 参考スコア(独自算出の注目度): 4.501305807267216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Quantum Approximate Optimization Algorithm (QAOA) is a prospective hybrid
quantum-classical algorithm, which is widely used to solve combinatorial
optimization problems. One major challenge of QAOA lies in finding optimal
parameters of the parameterized quantum circuit. To meet this challenge, some
scholars put forward heuristic parameter initialization strategies.
Interpolation-based strategy (INTERP) is a heuristic parameter initialization
strategy in QAOA for Maxcut. Compared with random initialization, INTERP
greatly reduces the time to find quasi-optimal solutions. In this paper, we
first propose INTERP+ to save the running costs. Compared with INTERP, INTERP+
takes advantage of multi-interpolation and cuts down at least half the number
of rounds of optimization. The simulation results demonstrate that INTERP+
saves about 2/3 of running time when it can obtain the same quasi-optimal
solutions as INTERP. In addition, we present Multi-INTERP+ by introducing
multi-start and selection. The simulation results show that Multi-INTERP+ can
not only get the same quasi-optimal solutions as INTERP but also get higher
average performance than INTERP and INTERP+.
- Abstract(参考訳): 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、組合せ最適化問題の解法として広く用いられているハイブリッド量子古典アルゴリズムである。
QAOAの大きな課題のひとつは、パラメータ化量子回路の最適パラメータを見つけることである。
この課題を満たすために、一部の学者はヒューリスティックパラメータの初期化戦略を提唱した。
補間型戦略 (INTERP) はMaxcutのQAOAにおけるヒューリスティックパラメータ初期化戦略である。
ランダム初期化と比較すると、InterPは準最適解を見つける時間を大幅に削減する。
本稿ではまず,ランニングコストの削減を目的としたInterP+を提案する。
InterP と比較すると、InterP+ は多重補間を利用して最適化のラウンドの少なくとも半分を削減している。
シミュレーションの結果, InterP+ は InterP と同じ準最適解が得られる場合, 走行時間の約2/3 を節約できることがわかった。
さらに、マルチスタートとセレクションを導入することで、Multi-INTERP+を提案する。
シミュレーションの結果, Multi-INTERP+ は InterP と同じ準最適解が得られるだけでなく, InterP や InterP+ よりも高い平均性能が得られることがわかった。
関連論文リスト
- Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳(メタデータ) (2024-03-05T14:18:15Z) - qPOTS: Efficient batch multiobjective Bayesian optimization via Pareto
optimal Thompson sampling [0.0]
多目的最適化を解くためのサンプル効率のアプローチはプロセス・オラクル・サロゲート (GP) を経由する。
本稿では,ランダムGPサンプルのフロンティアから新しい候補を選択する,単純かつ効果的なトンプソンサンプリングに基づくアプローチを提案する。
提案手法は, 実世界の実験だけでなく, 精度, 計算効率の両面において, 高い実験性能を示すものである。
論文 参考訳(メタデータ) (2023-10-24T12:35:15Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳(メタデータ) (2023-09-07T00:07:15Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - Quantum Alternating Operator Ansatz for Solving the Minimum Exact Cover
Problem [4.697039614904225]
量子交互演算子 ansatz (QAOA+) を用いて最小被覆(MEC)問題を解く。
数値計算の結果,アルゴリズムのレベル$p$が低い場合,高い確率で解が得られることがわかった。
また、1量子ビット回転ゲートを$R_Z$で除去することで量子回路を最適化する。
論文 参考訳(メタデータ) (2022-11-28T12:45:52Z) - Min-Max Bilevel Multi-objective Optimization with Applications in
Machine Learning [30.25074797092709]
本稿では,min-maxバイレベル多目的最適化フレームワークを提案する。
表現学習と超目的学習の応用を強調している。
論文 参考訳(メタデータ) (2022-03-03T18:56:13Z) - Unsupervised strategies for identifying optimal parameters in Quantum
Approximate Optimization Algorithm [3.508346077709686]
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。
論文 参考訳(メタデータ) (2022-02-18T19:55:42Z) - An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble [11.64233949999656]
MACE(Multi-objective Acquisition Function Ensemble)を用いた並列化可能なベイズ最適化アルゴリズムを提案する。
提案アルゴリズムは,バッチサイズが15のときの非制約最適化問題に対する微分進化(DE)と比較して,シミュレーション全体の時間を最大74倍削減することができる。
制約付き最適化問題に対して,提案アルゴリズムは,バッチサイズが15の場合に,重み付き改善に基づくベイズ最適化(WEIBO)アプローチと比較して最大15倍の高速化を実現することができる。
論文 参考訳(メタデータ) (2021-06-28T13:21:28Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:05:30Z) - 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) - Provably Efficient Exploration in Policy Optimization [117.09887790160406]
本稿では,最適化アルゴリズム(OPPO)の最適変種を提案する。
OPPO は $tildeO(sqrtd2 H3 T )$ regret を達成する。
我々の知る限りでは、OPPOは、探索する最初の証明可能な効率的なポリシー最適化アルゴリズムである。
論文 参考訳(メタデータ) (2019-12-12T08:40:02Z)
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。