論文の概要: Experimental demonstration of improved quantum optimization with linear Ising penalties

• arxiv url: http://arxiv.org/abs/2404.05476v1
• Date: Mon, 8 Apr 2024 12:54:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 14:25:08.887328
• Title: Experimental demonstration of improved quantum optimization with linear Ising penalties
• Title（参考訳）: 線形イジングペナルティを用いた改良量子最適化の実験的検討
• Authors: Puya Mirkarimi, David C. Hoyle, Ross Williams, Nicholas Chancellor,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.562479170374811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The standard approach to encoding constraints in quantum optimization is the quadratic penalty method. Quadratic penalties introduce additional couplings and energy scales, which can be detrimental to the performance of a quantum optimizer. In quantum annealing experiments performed on a D-Wave Advantage, we explore an alternative penalty method that only involves linear Ising terms and apply it to a customer data science problem. Our findings support our hypothesis that the linear Ising penalty method should improve the performance of quantum optimization compared to using the quadratic penalty method due to its more efficient use of physical resources. Although the linear Ising penalty method is not guaranteed to exactly implement the desired constraint in all cases, it is able to do so for the majority of problem instances we consider. For problems with many constraints, where making all penalties linear is unlikely to be feasible, we investigate strategies for combining linear Ising penalties with quadratic penalties to satisfy constraints for which the linear method is not well-suited. We find that this strategy is most effective when the penalties that contribute most to limiting the dynamic range are removed.
• Abstract（参考訳）: 量子最適化における制約の符号化に対する標準的なアプローチは、二次ペナルティ法である。 二次ペナルティは、量子オプティマイザの性能に有害な追加の結合とエネルギースケールを導入している。 D-Waveアドバンテージ上で行われた量子アニール実験では、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。 本研究は,より効率的な物理資源の利用により,2次ペナルティ法に比べて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。 線形イジングペナルティ法は、すべてのケースにおいて所望の制約を正確に実装することが保証されていないが、私たちが考慮しているほとんどの問題インスタンスに対して実施可能である。 多くの制約がある場合、すべ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、線形の法則が不適な制約を満たす戦略を考察する。 この戦略は、動的範囲の制限に最も寄与する罰則が取り除かれた場合に最も効果的である。

関連論文リスト

• Differentiable Quantum Computing for Large-scale Linear Control [26.118874431217165]
  証明可能なスピードアップを伴う線形四進法制御のためのエンドツーエンド量子アルゴリズムを提案する。 政策勾配法に基づくアルゴリズムでは,リアプノフ方程式を解くための新しい量子サブルーチンが組み込まれている。
  論文  参考訳（メタデータ） (2024-11-03T00:54:33Z)
• 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)
• Exterior Penalty Policy Optimization with Penalty Metric Network under Constraints [52.37099916582462]
  制約強化学習(CRL:Constrained Reinforcement Learning)では、エージェントが制約を満たしながら最適なポリシーを学習するために環境を探索する。 我々は,刑罰科目ネットワーク(PMN)が生み出す適応的な罰則を持つ,理論的に保証された刑罰関数法(Exterior Penalty Policy Optimization (EPO))を提案する。 PMNは様々な制約違反に適切に対応し、効率的な制約満足度と安全な探索を可能にする。
  論文  参考訳（メタデータ） (2024-07-22T10:57:32Z)
• Quantum optimization with linear Ising penalty functions for customer data science [0.5242869847419834]
  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。
  論文  参考訳（メタデータ） (2024-04-08T12:46:22Z)
• 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)
• Penalized Proximal Policy Optimization for Safe Reinforcement Learning [68.86485583981866]
  本稿では、等価な制約のない問題の単一最小化により、煩雑な制約付きポリシー反復を解決するP3Oを提案する。 P3Oは、コスト制約を排除し、クリップされたサロゲート目的による信頼領域制約を除去するために、単純なyet効果のペナルティ関数を利用する。 P3Oは,一連の制約された機関車作業において,報酬改善と制約満足度の両方に関して,最先端のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-24T06:15:51Z)
• 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)
• Unbalanced Optimal Transport through Non-negative Penalized Linear Regression [9.668391961887027]
  対応する最適化問題は、非負のペナル化線形回帰問題として再構成可能であることを示す。 逆問題と非負行列分解から着想を得た新しいアルゴリズムを提案する。 UOTの正規化経路を2次ペナルティで計算する効率的なアルゴリズムを初めて導いた。
  論文  参考訳（メタデータ） (2021-06-08T07:16:37Z)
• Scaling the Convex Barrier with Sparse Dual Algorithms [141.4085318878354]
  本稿では,ニューラルネットワークバウンダリングのための2つの新しい2重アルゴリズムを提案する。 どちらの方法も新しい緩和の強さを回復する: 厳密さと線形分離オラクル。 実行時間のほんの一部で、既製のソルバよりも優れた境界を得ることができます。
  論文  参考訳（メタデータ） (2021-01-14T19:45:17Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)

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。