論文の概要: Guess What Quantum Computing Can Do for Test Case Optimization
- arxiv url: http://arxiv.org/abs/2312.15547v1
- Date: Sun, 24 Dec 2023 21:25:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:39:55.119644
- Title: Guess What Quantum Computing Can Do for Test Case Optimization
- Title（参考訳）: 量子コンピューティングがテストケース最適化に何ができるか
- Authors: Xinyi Wang, Shaukat Ali, Tao Yue, Paolo Arcaini
- Abstract要約: 近い将来、量子近似最適化アルゴリズム(QAOAs)は最適化問題を解く大きな可能性を秘めている。
本稿では,QAOA問題としてソフトウェアテストケース最適化問題を定式化し,量子コンピュータシミュレータ上での解法を提案する。
近年は利用できない多くのキュービットを必要とするより大きなテスト最適化問題を解決するため、QAOAと問題分解戦略を統合する。
- 参考スコア（独自算出の注目度）: 43.89456212504871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the near term, quantum approximate optimization algorithms (QAOAs) hold
great potential to solve combinatorial optimization problems. These are hybrid
algorithms, i.e., a combination of quantum and classical algorithms. Several
proof-of-concept applications of QAOAs for solving combinatorial problems, such
as portfolio optimization, energy optimization in power systems, and job
scheduling, have been demonstrated. However, whether QAOAs can efficiently
solve optimization problems from classical software engineering, such as test
optimization, remains unstudied. To this end, we present the first effort to
formulate a software test case optimization problem as a QAOA problem and solve
it on quantum computer simulators. To solve bigger test optimization problems
that require many qubits, which are unavailable these days, we integrate a
problem decomposition strategy with the QAOA. We performed an empirical
evaluation with five test case optimization problems and four industrial
datasets from ABB, Google, and Orona to compare various configurations of our
approach, assess its decomposition strategy of handling large datasets, and
compare its performance with classical algorithms (i.e., Genetic Algorithm (GA)
and Random Search). Based on the evaluation results, we recommend the best
configuration of our approach for test case optimization problems. Also, we
demonstrate that our strategy can reach the same effectiveness as GA and
outperform GA in two out of five test case optimization problems we conducted.
- Abstract（参考訳）: 近い将来、量子近似最適化アルゴリズム(QAOAs)は組合せ最適化問題を解決する大きな可能性を持っている。
これらはハイブリッドアルゴリズム、すなわち量子アルゴリズムと古典アルゴリズムの組み合わせである。
ポートフォリオ最適化や電力系統のエネルギー最適化,ジョブスケジューリングなど,組合せ問題を解くためのQAOAsの概念実証応用が実証されている。
しかし、QAOAsがテスト最適化のような古典的ソフトウェア工学の最適化問題を効率的に解けるかどうかはまだ未検討である。
そこで本研究では,QAOA問題としてソフトウェアテストケース最適化問題を定式化し,量子コンピュータシミュレータ上での解法を提案する。
近年は利用できない多くのキュービットを必要とするより大きなテスト最適化問題を解決するため、QAOAと問題分解戦略を統合する。
ABB, Google, Oronaの5つのテストケース最適化問題と4つの産業データセットを用いて経験的評価を行い、アプローチのさまざまな構成を比較し、大規模なデータセットを扱うための分解戦略を評価し、その性能を古典的アルゴリズム(GAとランダム検索)と比較した。
評価結果に基づき,テストケース最適化問題に対して,提案手法の最適構成を推奨する。
また,テストケース最適化問題5つのうち2つにおいて,我々の戦略がGAと同等の効率でGAに勝ることを示す。
関連論文リスト
- Quantum evolutionary algorithm for TSP combinatorial optimisation problem [0.0]
本稿では、量子遺伝的アルゴリズム(QGA)を用いて、旅行セールスマン問題(TSP)と呼ばれる新しい問題を解決する方法を実装する。
我々は、この新しいアプローチがいかにうまく機能するかを、古典的遺伝的アルゴリズム(CGA)として知られる従来の手法と比較した。
論文 参考訳（メタデータ） (2024-09-20T08:27:42Z) - A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。
この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。
我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
論文 参考訳（メタデータ） (2023-06-15T15:28:12Z) - Quantum approximate optimization via learning-based adaptive
optimization [5.399532145408153]
量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。
その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。
この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
論文 参考訳（メタデータ） (2023-03-27T02:14:56Z) - A Comparative Study On Solving Optimization Problems With Exponentially
Fewer Qubits [0.0]
変分量子固有解法(VQE)に基づくアルゴリズムの評価と改良を行った。
我々は,問題を変分アンサッツにエンコードすることで生じる数値不安定性を強調する。
より少ないイテレーションでアンザッツの基底状態を求めるための古典的な最適化手法を提案する。
論文 参考訳（メタデータ） (2022-10-21T08:54:12Z) - Performance comparison of optimization methods on variational quantum
algorithms [2.690135599539986]
変分量子アルゴリズム(VQA)は、学術・工業研究への応用に短期的な量子ハードウェアを使用するための有望な道を提供する。
SLSQP, COBYLA, CMA-ES, SPSAの4つの最適化手法の性能について検討した。
論文 参考訳（メタデータ） (2021-11-26T12:13:20Z) - Quantum variational optimization: The role of entanglement and problem
hardness [0.0]
本稿では, 絡み合いの役割, 変動量子回路の構造, 最適化問題の構造について検討する。
数値計算の結果,絡み合うゲートの分布を問題のトポロジに適応させる利点が示唆された。
リスク型コスト関数に条件値を適用することで最適化が向上し、最適解と重複する確率が増大することを示す。
論文 参考訳（メタデータ） (2021-03-26T14:06:54Z) - 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)
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。