Fugu-MT 論文翻訳(概要): Adaptive Quantum Optimized Centroid Initialization

論文の概要: Adaptive Quantum Optimized Centroid Initialization

arxiv url: http://arxiv.org/abs/2401.11258v1
Date: Sat, 20 Jan 2024 15:34:51 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 17:21:14.790532
Title: Adaptive Quantum Optimized Centroid Initialization
Title（参考訳）: 適応量子最適化セントロイド初期化
Authors: Nicholas R. Allgood, Ajinkya Borle, Charles K. Nicholas
Abstract要約: 量子コンピューティングの大きな利点の1つは、古典的な方法よりも早く複雑な計算問題を解くことができることである。適応量子最適化セントロイド初期化(AQOCI)として知られるQOCIの修正を行い、QOCIの多くの制限に対処する。
参考スコア（独自算出の注目度）: 0.11838866556981258
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One of the major benefits of quantum computing is the potential to resolve complex computational problems faster than can be done by classical methods. There are many prototype-based clustering methods in use today, and selection of the starting nodes for the center points is often done randomly. For prototype-based clustering algorithms, this could lead to much slower convergence times. One of the causes of this may be prototype-based clustering accepting a local minima as a valid solution when there are possibly better solutions. Quantum computing, specifically quantum annealing, offers a solution to these problems by mapping the initial centroid problem to an Ising Hamiltonian where over time the lowest energy in the spectrum correlates to a valid, but better solution. A first approach to this problem utilizing quantum annealing was known as Quantum Optimized Centroid Initialization (QOCI), but this approach has some limitations both in results and performance. We will present a modification of QOCI known as Adaptive Quantum Optimized Centroid Initialization (AQOCI) which addresses many of the limitations in QOCI. The results presented are comparable to those obtained using classical techniques as well as being superior to those results found using QOCI.
Abstract（参考訳）: 量子コンピューティングの大きな利点の1つは、古典的な方法よりも早く複雑な計算問題を解くことができることである。現在、プロトタイプベースのクラスタリング手法が数多く使用されており、中心点の開始ノードの選択はしばしばランダムに行われる。プロトタイプベースのクラスタリングアルゴリズムでは、収束時間がずっと遅くなる可能性がある。この原因の1つは、おそらくより良いソリューションがある場合に、ローカルのミニマを有効なソリューションとして受け入れるプロトタイプベースのクラスタリングである。量子コンピューティング、特に量子アニーリングは、初期の遠心問題のイジングハミルトニアンへのマッピングによってこれらの問題に対する解決策を提供する。量子アニーリングを用いたこの問題に対する最初のアプローチは量子最適化センタロイド初期化 (qoci) として知られるが、このアプローチは結果と性能の両方においていくつかの制限がある。適応量子最適化セントロイド初期化(AQOCI)として知られるQOCIの修正を行い、QOCIの多くの制限に対処する。結果は古典的手法を用いて得られたものと同等であり,QOCIを用いて得られた結果よりも優れている。

関連論文リスト

Maximizing the practical achievability of quantum annealing attacks on factorization-based cryptography [0.0]
本研究は、整数分解問題と離散対数問題に基づくスキームの暗号解析のための量子的手法に焦点を当てる。本稿では、量子計算と古典計算を組み合わせたアプローチを改善することにより、分解問題の最大の事例を現実的に解く方法を示す。
論文参考訳（メタデータ） (2024-10-07T11:55:23Z)
Integrating Quantum Algorithms Into Classical Frameworks: A Predictor-corrector Approach Using HHL [0.562479170374811]
我々は、Harrow, Hassidim and Lloyd (HHL) によって提案された方程式の線形系に対するよく知られたアルゴリズムを、直接解法ではなく予測子-相関子に適応させることにより適用する。この戦略は、多くの古典的アルゴリズムでよく見られる計算コストの高いステップのインテリジェントな省略を可能にし、同時に量子状態の抽出に関連する悪名高い読み出し問題を緩和する。このアプローチの汎用性は、滑らかな粒子流体力学、プラズマシミュレーション、反応性流れ構成など、様々な分野の応用を通して説明される。
論文参考訳（メタデータ） (2024-06-28T15:31:10Z)
Quantum Optimized Centroid Initialization [0.9760487761422324]
量子コンピューティングの大きな利点の1つは、古典的な方法よりも早く複雑な計算問題を解くことができることである。量子コンピューティングの利点を活用して、プロトタイプベースのクラスタリングにおいて、より優れた開始セントロイドを見つけるための研究結果を提示する。
論文参考訳（メタデータ） (2023-05-15T13:20:17Z)
Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文参考訳（メタデータ） (2023-04-18T11:57:15Z)
Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。我々は距離の計算を高速化するために量子現象を利用する。我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文参考訳（メタデータ） (2022-12-13T16:04:16Z)
Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文参考訳（メタデータ） (2022-06-20T17:02:19Z)
QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum machines [81.4597482536073]
量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
論文参考訳（メタデータ） (2022-05-24T03:49:10Z)
Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文参考訳（メタデータ） (2022-02-17T18:59:20Z)
Efficient Classical Computation of Quantum Mean Values for Shallow QAOA Circuits [15.279642278652654]
浅いQAOA回路の量子ビット数と線形にスケールするグラフ分解に基づく古典的アルゴリズムを提案する。我々の結果は、QAOAによる量子アドバンテージの探索だけでなく、NISQプロセッサのベンチマークにも有用である。
論文参考訳（メタデータ） (2021-12-21T12:41:31Z)
Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文参考訳（メタデータ） (2021-06-24T08:18:42Z)
Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
論文参考訳（メタデータ） (2021-05-06T17:59:38Z)

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。