論文の概要: Quantum optimization with linear Ising penalty functions for customer data science
- arxiv url: http://arxiv.org/abs/2404.05467v1
- Date: Mon, 8 Apr 2024 12:46:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 14:25:08.901203
- Title: Quantum optimization with linear Ising penalty functions for customer data science
- Title（参考訳）: 線形イジングペナルティ関数を用いた顧客データ科学のための量子最適化
- Authors: Puya Mirkarimi, Ishaan Shukla, David C. Hoyle, Ross Williams, Nicholas Chancellor,
- Abstract要約: 量子アルゴリズムでは、制約は典型的には2次ペナルティ関数で実装される。
このペナルティ法は大きなエネルギースケールを導入し、相互作用グラフをより密にすることができる。
線形イジングペナルティ関数は、物理資源をより効率的に利用するための制約を実装する代替手法であると考えている。
- 参考スコア（独自算出の注目度）: 0.5242869847419834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Constrained combinatorial optimization problems, which are ubiquitous in industry, can be solved by quantum algorithms such as quantum annealing (QA) and the quantum approximate optimization algorithm (QAOA). In these quantum algorithms, constraints are typically implemented with quadratic penalty functions. This penalty method can introduce large energy scales and make interaction graphs much more dense. These effects can result in worse performance of quantum optimization, particularly on near-term devices that have sparse hardware graphs and other physical limitations. In this work, we consider linear Ising penalty functions, which are applied with local fields in the Ising model, as an alternative method for implementing constraints that makes more efficient use of physical resources. We study the behaviour of the penalty method in the context of quantum optimization for customer data science problems. Our theoretical analysis and numerical simulations of QA and the QAOA indicate that this penalty method can lead to better performance in quantum optimization than the quadratic method. However, the linear Ising penalty method is not suitable for all problems as it cannot always exactly implement the desired constraint. In cases where the linear method is not successful in implementing all constraints, we propose that schemes involving both quadratic and linear Ising penalties can be effective.
- Abstract（参考訳）: 量子アニーリング(QA)や量子近似最適化アルゴリズム(QAOA)といった量子アルゴリズムによって、業界で広く使われている制約付き組合せ最適化問題を解くことができる。
これらの量子アルゴリズムでは、制約は典型的には2次ペナルティ関数で実装される。
このペナルティ法は大きなエネルギースケールを導入し、相互作用グラフをより密にすることができる。
これらの効果は、特にスパースなハードウェアグラフやその他の物理的制限を持つ短期的なデバイスにおいて、量子最適化の性能を悪化させる可能性がある。
本研究では,Isingモデルの局所場に適用される線形Isingペナルティ関数を,より効率的な物理資源利用のための制約の実装方法として検討する。
顧客データサイエンス問題に対する量子最適化の文脈におけるペナルティ手法の挙動について検討する。
我々の理論解析とQAとQAOAの数値シミュレーションは、このペナルティ法が二次法よりも量子最適化における優れた性能をもたらすことを示唆している。
しかし、線形イジングペナルティ法は、常に所望の制約を正しく実装できないため、すべての問題に適していない。
線形法がすべての制約を実装するのに成功しない場合、二次法と線形法の両方を包含するスキームが有効であることを示す。
関連論文リスト
- Inequality constraints in variational quantum circuits with qudits [1.0923877073891446]
量子最適化は、短期量子デバイスの能力を利用するための重要な候補として浮上している。
本稿では,QAOAアルゴリズムにおける不等式制約をQudit-SUMゲートを用いて直接実装する手法を提案する。
不平等な罰則の直接的実装はスラック変数法を著しく上回り、特に実世界において多くの制約を課した問題を研究する場合に顕著である。
論文 参考訳（メタデータ） (2024-10-10T07:32:38Z) - Experimental demonstration of improved quantum optimization with linear Ising penalties [0.562479170374811]
我々は、線形イジング項のみを含む代替ペナルティ法を検討し、それを顧客データサイエンス問題に適用する。
我々は,線形イジングペナルティ法は量子最適化の性能を向上させるべきであるという仮説を支持した。
多くの制約がある場合、全ての罰則を線形にすることは不可能であり、線形の罰則と二次の罰則を組み合わせるための戦略について検討する。
論文 参考訳（メタデータ） (2024-04-08T12:54:19Z) - Improving Performance in Combinatorial Optimization Problems with
Inequality Constraints: An Evaluation of the Unbalanced Penalization Method
on D-Wave Advantage [0.0]
非バランスなペナル化と呼ばれる新しい手法が、スラック変数の使用を避けるために提案されている。
本研究は、旅行セールスマン問題(TSP)に対するD-Wave Advantage上の実量子ハードウェアを用いた不均衡ペナル化法をテストする。
その結果、不均衡なペナル化法はスラック変数を用いた解よりも優れていた。
論文 参考訳（メタデータ） (2023-05-30T05:40:50Z) - Constrained Optimization via Exact Augmented Lagrangian and Randomized
Iterative Sketching [55.28394191394675]
等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。
ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-05-28T06:33:37Z) - NISQ-compatible approximate quantum algorithm for unconstrained and
constrained discrete optimization [0.0]
本稿では,振幅符号化を用いたハードウェア効率の高い回路に対する近似勾配型量子アルゴリズムを提案する。
目的関数にペナルティ項を加えることなく, 単純な線形制約を回路に直接組み込むことができることを示す。
論文 参考訳（メタデータ） (2023-05-23T16:17:57Z) - Enhancing Quantum Algorithms for Quadratic Unconstrained Binary Optimization via Integer Programming [0.0]
本研究では,最適化のための量子および古典的手法の可能性を統合する。
線形緩和により問題のサイズを小さくし、最小サイズの量子マシンで問題を処理できるようにした。
実量子ハードウェアの計算結果を多数提示する。
論文 参考訳（メタデータ） (2023-02-10T20:12:53Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - 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 Graph Matching with Permutation Matrix Constraints [75.88678895180189]
3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。
本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。
提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
論文 参考訳（メタデータ） (2021-07-08T17:59:55Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z) - 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。