論文の概要: A Pure Quantum Approximate Optimization Algorithm Based on CNR Operation
- arxiv url: http://arxiv.org/abs/2310.17927v6
- Date: Fri, 26 Jan 2024 02:11:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 17:50:12.501932
- Title: A Pure Quantum Approximate Optimization Algorithm Based on CNR Operation
- Title（参考訳）: CNR演算に基づく純量子近似最適化アルゴリズム
- Authors: Da You Lv and An Min Wang
- Abstract要約: 汎用的な純粋量子近似最適化アルゴリズムを提案する。
このアルゴリズムは$p$レベルの分割・対数構造に構成されている。
2つの最適化問題の必要なキュービット数が10である場合、アルゴリズムの性能を詳細に示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By introducing the "comparison and replacement" (CNR) operation, we propose a
general-purpose pure quantum approximate optimization algorithm and derive its
core optimization mechanism quantitatively. The algorithm is constructed to a
$p$-level divide-and-conquer structure based on the CNR operations. The quality
of approximate optimization improves with the increase of $p$. For sufficiently
general optimization problems, the algorithm can work and produce the
near-optimal solutions as expected with considerably high probability.
Moreover, we demonstrate that the algorithm is scalable to be applied to large
size problems. Our algorithm is applied to two optimization problems with
significantly different degeneracy, the Gaussian weighted 2-edge graph and
MAX-2-XOR, and then we show the algorithm performance in detail when the
required qubits number of the two optimization problems is 10.
- Abstract（参考訳）: cnr(comparison and replacement)演算を導入することで,汎用量子近似最適化アルゴリズムを提案し,そのコア最適化機構を定量的に導出する。
このアルゴリズムは、CNR演算に基づいて、$p$レベルの配当構造に構築される。
近似最適化の品質は、$p$の増加によって向上する。
十分一般的な最適化問題に対して、アルゴリズムは期待通りに、非常に高い確率で近似最適解を作成できる。
さらに,本アルゴリズムが大規模問題に適用可能なスケーラブルであることを示す。
アルゴリズムはガウス重み付き2辺グラフとmax-2-xorの2つの最適化問題に適用し,2つの最適化問題の必要な量子ビット数が10である場合のアルゴリズム性能を詳細に示す。
関連論文リスト
- Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳（メタデータ） (2023-01-30T15:46:39Z) - Recursive Quantum Approximate Optimization Algorithm for the MAX-CUT
problem on Complete graphs [1.90365714903665]
量子近似最適化アルゴリズムは、MAX-CUT問題のような最適化問題を近似的に解くために設計されたハイブリッド量子古典的変分アルゴリズムである。
近い将来の量子応用の可能性にもかかわらず、量子近似最適化アルゴリズムはMAX-CUT問題を解くための制限があることが知られている。
論文 参考訳（メタデータ） (2022-11-28T23:51:02Z) - 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) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳（メタデータ） (2020-12-31T19:13:53Z) - 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) - Optimal and Practical Algorithms for Smooth and Strongly Convex
Decentralized Optimization [21.555331273873175]
ネットワークのノードにまたがるスムーズな凸関数の和を分散化最小化する作業について検討する。
本稿では,この分散最適化問題に対する2つの新しいアルゴリズムを提案し,複雑性を保証する。
論文 参考訳（メタデータ） (2020-06-21T11:23:20Z) - 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)
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。