論文の概要: Evolving a Multi-Population Evolutionary-QAOA on Distributed QPUs

• arxiv url: http://arxiv.org/abs/2409.10739v2
• Date: Thu, 19 Sep 2024 14:50:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-20 13:12:23.618592
• Title: Evolving a Multi-Population Evolutionary-QAOA on Distributed QPUs
• Title（参考訳）: 分散QPU上でのマルチポピュレーション進化QAOAの進化
• Authors: Francesca Schiavello, Edoardo Altamura, Ivano Tavernelli, Stefano Mensa, Benjamin Symons,
• Abstract要約: 我々は,進化的QAOA(E-QAOA)ペアリングがCOBYLAベースのQAOAよりも同等以上の性能を示すことを示した。 また,2つのQPU上に分布する多集団EAを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our research combines an Evolutionary Algorithm (EA) with a Quantum Approximate Optimization Algorithm (QAOA) to update the ansatz parameters, in place of traditional gradient-based methods, and benchmark on the Max-Cut problem. We demonstrate that our Evolutionary-QAOA (E-QAOA) pairing performs on par or better than a COBYLA-based QAOA in terms of solution accuracy and variance, for $d$-3 regular graphs between 4 and 26 nodes, using both $max\_count$ and Conditional Value at Risk (CVaR) for fitness function evaluations. Furthermore, we take our algorithm one step further and present a novel approach by presenting a multi-population EA distributed on two QPUs, which evolves independent and isolated populations in parallel, classically communicating elite individuals. Experiments were conducted on both simulators and IBM quantum hardware, and we investigated the relative performance accuracy and variance.
• Abstract（参考訳）: 我々の研究は、進化的アルゴリズム(EA)と量子近似最適化アルゴリズム(QAOA)を組み合わせて、従来の勾配法の代わりにアンザッツパラメータを更新し、Max-Cut問題に対するベンチマークを行う。 我々は,4ノードから26ノード間の正則グラフ$d$3に対して,我々の進化的QAOA(E-QAOA)ペアリングがCOBYLAベースのQAOAと同等以上の性能を示し,適合関数評価に$max\_count$とConditional Value at Risk(CVaR)を併用した。 さらに,本アルゴリズムは,2つのQPU上に分布する多集団EAを並列に,古典的に両立するエリート個体群に並列に進化させることにより,新たなアプローチを提案する。 シミュレータとIBM量子ハードウェアの両方で実験を行い、相対的な性能精度とばらつきについて検討した。

関連論文リスト

• Fast Genetic Algorithm for feature selection -- A qualitative approximation approach [5.279268784803583]
  本稿では,遺伝的アルゴリズム(GA)を特徴選択に用いることによって生じる計算問題に対処するための,2段階の代理支援進化的アプローチを提案する。 我々はCHCQXがより高速に収束し、特に100K以上のインスタンスを持つ大規模データセットにおいて、非常に高い精度でサブセットソリューションを特徴付けることを示した。
  論文  参考訳（メタデータ） (2024-04-05T10:15:24Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• Analysis of Quality Diversity Algorithms for the Knapsack Problem [14.12876643502492]
  我々は,knapsack問題における動的プログラミング動作のシミュレーションにQDパラダイムを適用した。 予測された擬似ポリノミカル時間内に最適解を計算することができることを示す。
  論文  参考訳（メタデータ） (2022-07-28T12:15:33Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• The Cone epsilon-Dominance: An Approach for Evolutionary Multiobjective Optimization [1.0323063834827413]
  進化アルゴリズムの収束と多様性を改善するためのコーン・エプシロン・マディナンス・アプローチ。 16のよく知られたベンチマーク問題が実験セクションで検討されている。 その結果,コーン-エプス-MOEAは,検討したすべてのパフォーマンス指標に対して,効率的かつバランスの取れた性能を示すことができることが示唆された。
  論文  参考訳（メタデータ） (2020-07-14T14:13:13Z)
• Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave Min-Max Problems with PL Condition [52.08417569774822]
  本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-12T00:32:21Z)
• Evaluation of QAOA based on the approximation ratio of individual samples [0.0]
  我々は、Max-Cut問題に適用されたQAOAの性能をシミュレートし、いくつかの古典的代替品と比較する。 QAOA計算複雑性理論のガイダンスが進化しているため、量子的優位性を求めるためのフレームワークを利用する。
  論文  参考訳（メタデータ） (2020-06-08T18:00:18Z)
• The Hessian Estimation Evolution Strategy [3.756550107432323]
  我々はヘッセン推定進化戦略と呼ばれる新しいブラックボックス最適化アルゴリズムを提案する。 アルゴリズムは、目的関数の曲率を直接推定することにより、サンプリング分布の共分散行列を更新する。
  論文  参考訳（メタデータ） (2020-03-30T08:01:16Z)

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。