論文の概要: Hybrid Heuristic Algorithms for Adiabatic Quantum Machine Learning Models
- arxiv url: http://arxiv.org/abs/2407.21062v1
- Date: Fri, 26 Jul 2024 19:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 19:45:44.181403
- Title: Hybrid Heuristic Algorithms for Adiabatic Quantum Machine Learning Models
- Title（参考訳）: Adiabatic Quantum Machine Learning Modelのためのハイブリッドヒューリスティックアルゴリズム
- Authors: Bahram Alidaee, Haibo Wang, Lutfu Sua, Wade Liu,
- Abstract要約: 本稿では,大規模QUBOの解法を改良し,計算時間を短縮するために,r-flip戦略を組み込んだハイブリッドシステムを提案する。
r-flip戦略埋め込みアルゴリズムは、60秒から600秒のCPU時間制限内で非常に高品質なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 2.7407913606612615
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent developments of adiabatic quantum machine learning (AQML) methods and applications based on the quadratic unconstrained binary optimization (QUBO) model have received attention from academics and practitioners. Traditional machine learning methods such as support vector machines, balanced k-means clustering, linear regression, Decision Tree Splitting, Restricted Boltzmann Machines, and Deep Belief Networks can be transformed into a QUBO model. The training of adiabatic quantum machine learning models is the bottleneck for computation. Heuristics-based quantum annealing solvers such as Simulated Annealing and Multiple Start Tabu Search (MSTS) are implemented to speed up the training of AQML based on the QUBO model. The main purpose of this paper is to present a hybrid heuristic embedding an r-flip strategy to solve large-scale QUBO with an improved solution and shorter computing time compared to the state-of-the-art MSTS method. The results of the substantial computational experiments are reported to compare an r-flip strategy embedded hybrid heuristic and a multiple start tabu search algorithm on a set of benchmark instances and three large-scale QUBO instances. The r-flip strategy embedded algorithm provides very high-quality solutions within the CPU time limits of 60 and 600 seconds.
- Abstract（参考訳）: 近年,2次非制約バイナリ最適化(QUBO)モデルに基づくAQML(adiabatic quantum machine learning, adiabatic quantum machine learning, AQML)の手法や応用が注目されている。
サポートベクトルマシン、平衡k平均クラスタリング、線形回帰、決定木分割、制限ボルツマンマシン、ディープリーフネットワークなどの伝統的な機械学習手法はQUBOモデルに変換することができる。
断熱的量子機械学習モデルのトレーニングは計算のボトルネックである。
シミュレーションアニーリングやマルチプルスタートタブサーチ(MSTS)などのヒューリスティックスベースの量子アニーリングソルバを実装し,QUBOモデルに基づくAQMLのトレーニングを高速化する。
本研究の目的は, 大規模QUBOの解法を改良し, 計算時間を短縮した r-flip 戦略を組み込んだハイブリッドヒューリスティックな手法を提案することである。
計算実験の結果は, ベンチマークインスタンスと大規模QUBOインスタンスのセット上で, r-flip戦略を組み込んだハイブリッドヒューリスティックとマルチスタートタブ検索アルゴリズムを比較した。
r-flip戦略埋め込みアルゴリズムは、60秒から600秒のCPU時間制限内で非常に高品質なソリューションを提供する。
関連論文リスト
- Optimised Hybrid Classical-Quantum Algorithm for Accelerated Solution of Sparse Linear Systems [0.0]
本稿では, 疎線形系をより効率的に解くために, プレコンディショニング手法とHHLアルゴリズムを組み合わせるハイブリッド古典量子アルゴリズムを提案する。
提案手法は,高速化とスケーラビリティにおいて従来の手法を超越するだけでなく,量子アルゴリズムの本質的な制約を緩和することを示す。
論文 参考訳（メタデータ） (2024-10-03T11:36:14Z) - Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。
エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。
我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
論文 参考訳（メタデータ） (2024-04-30T06:48:56Z) - Multi-Timescale Ensemble Q-learning for Markov Decision Process Policy
Optimization [21.30645601474163]
元々のQ-ラーニングは、非常に大きなネットワークにわたるパフォーマンスと複雑性の課題に悩まされている。
従来のQ-ラーニングに適応したモデルフリーアンサンブル強化学習アルゴリズムを提案する。
計算結果から,提案アルゴリズムは平均ポリシエラーを最大55%,実行時複雑性を最大50%削減できることがわかった。
論文 参考訳（メタデータ） (2024-02-08T08:08:23Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Quantum Semi-Supervised Kernel Learning [4.726777092009554]
本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。
完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
論文 参考訳（メタデータ） (2022-04-22T13:39:55Z) - QUBO Formulations for Training Machine Learning Models [0.0]
量子コンピューティングのような非伝統的なコンピューティングパラダイムを活用して、機械学習モデルを効率的にトレーニングします。
線形回帰、サポートベクターマシン(SVM)、等サイズのk平均クラスタリングの3つの機械学習モデルのトレーニング問題をQUBO問題として定式化し、断熱量子コンピュータで効率的にトレーニングできるようにした。
我々の定式化の時間と空間の複雑さは(SVM や等サイズの k-平均クラスタリングの場合)、あるいは(線形回帰の場合)その古典的表現と同等であることを示す。
論文 参考訳（メタデータ） (2020-08-05T21:16:05Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z)
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。