論文の概要: Hype or Heuristic? Quantum Reinforcement Learning for Join Order Optimisation
- arxiv url: http://arxiv.org/abs/2405.07770v1
- Date: Mon, 13 May 2024 14:14:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 13:25:43.174953
- Title: Hype or Heuristic? Quantum Reinforcement Learning for Join Order Optimisation
- Title(参考訳): ハイプかヒューリスティックか? : 結合順序最適化のための量子強化学習
- Authors: Maja Franz, Tobias Winker, Sven Groppe, Wolfgang Mauerer,
- Abstract要約: 最適な結合順序(JO)を特定することは、データベースの研究とエンジニアリングにおいて重要な課題である。
近年, JO の強化学習 (RL) の研究開発に成功している。
本稿では,交互変分量子アンサッツに基づく量子強化学習(QRL)をJOに適用した新しい手法を提案する。
- 参考スコア(独自算出の注目度): 5.373015313199384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying optimal join orders (JOs) stands out as a key challenge in database research and engineering. Owing to the large search space, established classical methods rely on approximations and heuristics. Recent efforts have successfully explored reinforcement learning (RL) for JO. Likewise, quantum versions of RL have received considerable scientific attention. Yet, it is an open question if they can achieve sustainable, overall practical advantages with improved quantum processors. In this paper, we present a novel approach that uses quantum reinforcement learning (QRL) for JO based on a hybrid variational quantum ansatz. It is able to handle general bushy join trees instead of resorting to simpler left-deep variants as compared to approaches based on quantum(-inspired) optimisation, yet requires multiple orders of magnitudes fewer qubits, which is a scarce resource even for post-NISQ systems. Despite moderate circuit depth, the ansatz exceeds current NISQ capabilities, which requires an evaluation by numerical simulations. While QRL may not significantly outperform classical approaches in solving the JO problem with respect to result quality (albeit we see parity), we find a drastic reduction in required trainable parameters. This benefits practically relevant aspects ranging from shorter training times compared to classical RL, less involved classical optimisation passes, or better use of available training data, and fits data-stream and low-latency processing scenarios. Our comprehensive evaluation and careful discussion delivers a balanced perspective on possible practical quantum advantage, provides insights for future systemic approaches, and allows for quantitatively assessing trade-offs of quantum approaches for one of the most crucial problems of database management systems.
- Abstract(参考訳): 最適な結合順序(JO)を特定することは、データベースの研究とエンジニアリングにおいて重要な課題である。
大規模な探索空間のため、確立された古典的手法は近似とヒューリスティックに依存している。
近年, JO の強化学習 (RL) の研究開発に成功している。
同様に、RLの量子バージョンは科学的な注目を集めている。
しかし、量子プロセッサの改善により、持続的で、全体的な実用上の利点を達成できるかどうかには疑問の余地がある。
本稿では,多変量量子アンサッツに基づくJOの量子強化学習(QRL)を用いた新しい手法を提案する。
量子(インスパイアされた)最適化に基づくアプローチに比べれば、より単純な左深の変種に頼るのではなく、一般的なブッシー結合木を扱うことができるが、NISQ後のシステムにおいても少ない数桁の量子ビットを必要とする。
中程度の回路深度にもかかわらず、アンザッツは現在のNISQ能力を超え、数値シミュレーションによる評価を必要とする。
QRLは、結果の質に関してJO問題を解くという古典的手法(パリティを見ることができるが)を著しく上回っているわけではないが、必要なトレーニング可能なパラメータを劇的に減らしている。
これは、古典的なRLよりも短いトレーニング時間、あまり関与しない古典的な最適化パス、利用可能なトレーニングデータの使用の改善、データストリームと低レイテンシの処理シナリオへの適合など、実質的に関連する面でのメリットがある。
我々の総合的な評価と慎重な議論は、実用的な量子優位性の可能性についてのバランスのとれた視点を提供し、将来の体系的なアプローチに対する洞察を提供し、データベース管理システムにおける最も重要な問題の1つに対する量子アプローチのトレードオフを定量的に評価することを可能にする。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - Variational Quantum Approximate Spectral Clustering for Binary
Clustering Problems [0.7550566004119158]
本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。
VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。
合成と実世界の両方のデータセットから得られた数値結果について述べる。
論文 参考訳(メタデータ) (2023-09-08T17:54:42Z) - Challenges of variational quantum optimization with measurement shot noise [0.0]
問題の大きさが大きくなるにつれて、量子資源のスケーリングが一定の成功確率に達するか検討する。
この結果から,ハイブリッド量子古典アルゴリズムは古典外ループの破壊力を回避する必要がある可能性が示唆された。
論文 参考訳(メタデータ) (2023-07-31T18:01:15Z) - Reinforcement Learning Quantum Local Search [0.0]
我々は、量子局所探索(QLS)におけるサブプロブレム選択の改善のためのエージェントを訓練するための強化学習(RL)に基づくアプローチを提案する。
提案手法は,完全連結ランダムイジング問題に対するQLSの平均近似比を効果的に向上することを示した。
論文 参考訳(メタデータ) (2023-04-13T13:07:19Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Quantum Deep Reinforcement Learning for Robot Navigation Tasks [2.6999000177990924]
ハイブリッド量子古典的強化学習装置における量子回路は、複数のロボットナビゲーションシナリオにおいて最適なポリシーを学習可能であることを示す。
応用量子回路は、トレーニング可能なパラメータの数に等しくなると、古典的ニューラルネットワークのベースラインを上回っていることがわかった。
論文 参考訳(メタデータ) (2022-02-24T16:26:23Z) - 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) - Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。
量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。
我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
論文 参考訳(メタデータ) (2021-06-11T18:00:09Z) - Quantum agents in the Gym: a variational quantum algorithm for deep
Q-learning [0.0]
本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。
量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
論文 参考訳(メタデータ) (2021-03-28T08:57:22Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z)
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。