論文の概要: Parameter Setting Heuristics Make the Quantum Approximate Optimization Algorithm Suitable for the Early Fault-Tolerant Era
- arxiv url: http://arxiv.org/abs/2408.09538v1
- Date: Sun, 18 Aug 2024 16:48:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 18:24:47.952784
- Title: Parameter Setting Heuristics Make the Quantum Approximate Optimization Algorithm Suitable for the Early Fault-Tolerant Era
- Title(参考訳): 量子近似最適化アルゴリズムを早期耐故障性に適合させるパラメータ設定ヒューリスティックス
- Authors: Zichang He, Ruslan Shaydulin, Dylan Herman, Changhao Li, Rudy Raymond, Shree Hari Sureshbabu, Marco Pistoia,
- Abstract要約: 量子近似最適化アルゴリズム(QAOA)は、最も有望な量子最適化の1つである。
QAOAにおけるパラメータ設定の最近の進歩は、QAOAを用いたFTQC実験を現実的に実現している。
- 参考スコア(独自算出の注目度): 3.734751161717204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Approximate Optimization Algorithm (QAOA) is one of the most promising quantum heuristics for combinatorial optimization. While QAOA has been shown to perform well on small-scale instances and to provide an asymptotic speedup over state-of-the-art classical algorithms for some problems, fault-tolerance is understood to be required to realize this speedup in practice. The low resource requirements of QAOA make it particularly suitable to benchmark on early fault-tolerant quantum computing (EFTQC) hardware. However, the performance of QAOA depends crucially on the choice of the free parameters in the circuit. The task of setting these parameters is complicated in the EFTQC era by the large overheads, which preclude extensive classical optimization. In this paper, we summarize recent advances in parameter setting in QAOA and show that these advancements make EFTQC experiments with QAOA practically viable.
- Abstract(参考訳): 量子近似最適化アルゴリズム(QAOA)は組合せ最適化のための最も有望な量子ヒューリスティックの一つである。
QAOAは、いくつかの問題に対して、小規模なインスタンスでよく機能し、最先端の古典的アルゴリズムよりも漸近的なスピードアップを提供することが示されているが、実際にこのスピードアップを実現するにはフォールトトレランスが必要であると理解されている。
QAOAの低リソース要件は、初期のフォールトトレラント量子コンピューティング(EFTQC)ハードウェアのベンチマークに特に適している。
しかし、QAOAの性能は回路内の自由パラメータの選択に大きく依存する。
これらのパラメータを設定するタスクは、広範囲な古典的最適化を妨げる大きなオーバーヘッドによって、ETTQC時代において複雑である。
本稿では,QAOAにおけるパラメータ設定の最近の進歩を要約し,これらの進歩がQAOAを用いたEDTQC実験を現実的に実現可能であることを示す。
関連論文リスト
- Non-Variational Quantum Random Access Optimization with Alternating Operator Ansatz [3.5773675235837974]
量子ランダムアクセス最適化(QRAO)は、量子最適化の空間要求を減らすために提案されている。
インスタンスに依存しない'固定'パラメータは優れた性能を示し、変分パラメータ最適化の必要性を排除した。
本研究は,早期のフォールトトレラント量子コンピュータ上でのQRAOの実践的実行の道を開くものである。
論文 参考訳(メタデータ) (2025-02-06T18:25:31Z) - Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。
その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
論文 参考訳(メタデータ) (2023-09-28T18:55:22Z) - The QAOA with Few Measurements [4.713817702376467]
近似量子最適化アルゴリズム (QAOA) はもともと最適化問題の解法として開発された。
完全な記述型ベンチマーク技術は、多くの量子ビットに対してしばしば高価である。
中性原子量子コンピュータのような実験的な量子コンピューティングプラットフォームは、繰り返し速度が遅い。
論文 参考訳(メタデータ) (2022-05-13T18:42:20Z) - 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) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳(メタデータ) (2022-01-06T21:02:30Z) - Parameters Fixing Strategy for Quantum Approximate Optimization
Algorithm [0.0]
そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。
我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
論文 参考訳(メタデータ) (2021-08-11T15:44:16Z) - Quantum Approximate Optimization Algorithm Based Maximum Likelihood
Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文 参考訳(メタデータ) (2021-07-11T10:56:24Z) - Quantum annealing initialization of the quantum approximate optimization
algorithm [0.0]
量子近似最適化アルゴリズム(QAOA)は、近い将来の量子アルゴリズムである。
QAOAで必要とされる外部パラメータの最適化は、パフォーマンスのボトルネックになる可能性がある。
本研究では、ランダムグラフ上のMaxCut問題に適用されたQAOAの最適化景観を可視化する。
論文 参考訳(メタデータ) (2021-01-14T17:45:13Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳(メタデータ) (2020-09-15T18:17:27Z) - Cross Entropy Hyperparameter Optimization for Constrained Problem
Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。
このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。
本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文 参考訳(メタデータ) (2020-03-11T13:52:41Z)
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。