Fugu-MT 論文翻訳(概要): Performance Analysis of Multi-Angle QAOA for p

論文の概要: Performance Analysis of Multi-Angle QAOA for p > 1

arxiv url: http://arxiv.org/abs/2312.00200v2
Date: Thu, 21 Dec 2023 20:16:30 GMT
ステータス: 処理完了
システム内更新日: 2023-12-25 17:57:38.741085
Title: Performance Analysis of Multi-Angle QAOA for p > 1
Title（参考訳）: p>1における多角形qaoaの性能解析
Authors: Igor Gaidai, Rebekah Herrman
Abstract要約: マルチアングルQAOAのスケーラビリティを,QAOA層数の観点から検討する。その結果,MA-QAOAはQAOA回路の深さを最大4倍に削減できることがわかった。しかし、MA-QAOAは総QPU時間の最小化には最適ではない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we consider the scalability of Multi-Angle QAOA with respect to the number of QAOA layers. We found that MA-QAOA is able to significantly reduce the depth of QAOA circuits, by a factor of up to 4 for the considered data sets. However, MA-QAOA is not optimal for minimization of the total QPU time. Different optimization initialization strategies are considered and compared for both QAOA and MA-QAOA. Among them, a new initialization strategy is suggested for MA-QAOA that is able to consistently and significantly outperform random initialization used in the previous studies.
Abstract（参考訳）: 本稿では,QAOA層数に関するマルチアングルQAOAのスケーラビリティについて考察する。 ma-qaoaは、考慮されたデータセットに対して最大4倍の精度で、qaoa回路の深さを大幅に削減できることがわかった。しかし、MA-QAOAは総QPU時間の最小化には最適ではない。最適化初期化戦略はQAOAとMA-QAOAの両方で検討・比較される。このうち,MA-QAOAは従来研究で用いたランダム初期化よりも連続的に,著しく優れる新しい初期化戦略を提案する。

関連論文リスト

Hybrid Classical-Quantum Simulation of MaxCut using QAOA-in-QAOA [0.0]
そこで本研究では,MaxCut問題のスケーラブルな解に対するQAOA2法の実装について述べる。 The limit of the Goemans-Williamson (GW) algorithm as a purely classical alternative to QAOA。最大33量子ビットの大規模シミュレーションの結果は、ある場合におけるQAOAの利点と実装の効率性を示す。
論文参考訳（メタデータ） (2024-06-25T09:02:31Z)
MinPrompt: Graph-based Minimal Prompt Data Augmentation for Few-shot Question Answering [64.6741991162092]
オープンドメイン質問応答のための最小限のデータ拡張フレームワークMinPromptを提案する。我々は、生テキストをグラフ構造に変換し、異なる事実文間の接続を構築する。次に、グラフアルゴリズムを適用して、原文のほとんどの情報をカバーするのに必要な最小限の文の集合を識別する。同定された文サブセットに基づいてQAペアを生成し、選択した文に基づいてモデルをトレーニングし、最終モデルを得る。
論文参考訳（メタデータ） (2023-10-08T04:44:36Z)
Alignment between Initial State and Mixer Improves QAOA Performance for Constrained Optimization [11.445200448951072]
量子交互演算子 ansatz (QAOA) は断熱アルゴリズムと強い関係を持つ。本稿では, 断熱アルゴリズムの直感がQAOA初期状態を選択するタスクに適用できることを実証する。
論文参考訳（メタデータ） (2023-05-05T21:54:28Z)
Reinforcement Learning Assisted Recursive QAOA [2.1301560294088318]
本稿では、RQAOAを改善する強化学習強化RQAOA(RL-RQAOA)を提案する。 RL-RQAOA は RQAOA が不足する特定インスタンスでは厳格に優れており、RQAOA が最適に近いインスタンスでは同様に動作する。
論文参考訳（メタデータ） (2022-07-13T15:46:58Z)
Augmenting QAOA Ansatz with Multiparameter Problem-Independent Layer [0.8258451067861933]
提案したQAOA+アンサッツは、標準QAOAよりも多くのトレーニング可能な古典的パラメータを使用しながら、代替のマルチ角QAOAアンサッツよりも優れていることを示す。さらに、提案したQAOA+アンサッツは、標準QAOAよりも多くのトレーニング可能な古典的パラメータを使用しながら、ほとんどの場合、代替マルチ角QAOAアンサッツよりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-02T20:14:08Z)
Large-scale Optimization of Partial AUC in a Range of False Positive Rates [51.12047280149546]
ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
論文参考訳（メタデータ） (2022-03-03T03:46:18Z)
Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文参考訳（メタデータ） (2021-07-28T05:18:10Z)
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)
Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文参考訳（メタデータ） (2021-04-18T06:22:21Z)
Bridging Classical and Quantum with SDP initialized warm-starts for QAOA [4.76507354067301]
本稿では,QAOAをグラフ内のすべての可能なカットの偏重重ね合わせで初期化する,古典的な前処理ステップを紹介する。我々は、QAOA-Warmと呼ばれるこのQAOAの変種が、トレーニング時間が少なく、低い回路深度で標準QAOAより優れていることを示す。
論文参考訳（メタデータ） (2020-10-27T02:57:22Z)
AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文参考訳（メタデータ） (2020-08-17T13:22:01Z)

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。