論文の概要: Increasing the Hardness of Posiform Planting Using Random QUBOs for Programmable Quantum Annealer Benchmarking

• arxiv url: http://arxiv.org/abs/2411.03626v1
• Date: Wed, 06 Nov 2024 02:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:36.540952
• Title: Increasing the Hardness of Posiform Planting Using Random QUBOs for Programmable Quantum Annealer Benchmarking
• Title（参考訳）: プログラマブル量子アニールベンチマークのためのランダムQUBOを用いたポシフォームプランティングの硬度向上
• Authors: Elijah Pelofske, Georg Hahn, Hristo Djidjev,
• Abstract要約: 我々は,多数の小さな離散係数スピングラスイジングモデルを融合させることにより,ポジフォーム植込みQUBOを計算的に困難にすることを検討する。 3つのD-Wave超伝導量子アニーリングプロセッサの性能をベンチマークする。 D-Wave QPUの地中サンプリング成功率は、我々が採用するランダムQUBOのサイズに対して変化しないことがわかった。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License:
• Abstract: Posiform planting is a method for constructing QUBO problems with a single unique planted solution that can be tailored to arbitrary connectivity graphs. In this study we investigate making posiform planted QUBOs computationally harder by fusing many smaller random discrete coefficient spin-glass Ising models, whose global minimum energy is computed classically using classical binary integer programming optimization software, with posiform-planted QUBOs. The single unique ground-state solution of the resulting QUBO problem is the concatenation of (exactly one of) the ground-states of each of the smaller problems. We apply these modified posiform planted QUBOs to the task of benchmarking programmable D-Wave quantum annealers. The proposed method enables generating binary variable combinatorial optimization problems that cover the entire quantum annealing processor hardware graph, have a unique solution, are entirely hardware-graph-native, and can have tunable computational hardness. We benchmark the capabilities of three D-Wave superconducting qubit quantum annealing processors, having from 563 up to 5627 qubits, to sample the optimal unique planted solution of problems generated by our proposed method and compare them against simulated annealing and Gurobi. We find that the D-Wave QPU ground-state sampling success rate does not change with respect to the size of the random QUBOs we employ. Surprisingly, we find that some of these classes of QUBOs are solved at very high success rates at short annealing times compared to longer annealing times for the Zephyr connectivity graph QPUs.
• Abstract（参考訳）: ポシフォームプランティング(Posiform planting)は、任意の接続グラフに調整可能な、単一の独特な植込みソリューションを用いて、QUBO問題を構築する方法である。 本研究では,大域的な最小エネルギーを古典的二進数計画最適化ソフトウェアを用いて計算し,多量の離散係数スピングラスアイシングモデルを擬似的に融合することにより,QUBOを計算的に困難にすることを検討する。 結果の QUBO 問題における唯一の基底状態解は、より小さな問題の基底状態の連結(正確には1つ)である。 プログラム可能なD-Wave量子アニールのベンチマーク作業に,これらの修正されたポジフォーム植込みQUBOを適用した。 提案手法は,量子アニーリングプロセッサのハードウェアグラフ全体をカバーし,一意の解を持ち,完全にハードウェアグラフネイティブであり,チューナブルな計算硬度を有するバイナリ変数組合せ最適化問題を生成する。 563から5627キュービットのD-Wave超伝導量子アニーリングプロセッサを3種類の量子アニーリングプロセッサでベンチマークし,提案手法で生成した問題の最適一意な植込み解をサンプリングし,シミュレーションアニーリングとグロビと比較した。 D-Wave QPUの地中サンプリング成功率は、我々が採用するランダムQUBOのサイズに対して変化しないことがわかった。 意外なことに、これらのQUBOのクラスは、Zephyr接続グラフQPUのアニール時間よりも短いアニール時間で非常に高い成功率で解決されている。

関連論文リスト

• Quantum Semidefinite Programming with Thermal Pure Quantum States [0.5639904484784125]
  行列乗法重み付けアルゴリズムの量子化'''は、古典的アルゴリズムよりも2次的に高速なSDPの近似解が得られることを示す。 この量子アルゴリズムを改良し、ギブス状態サンプリング器を熱純量子(TPQ)状態に置き換えることで、同様のスピードアップが得られることを示す。
  論文  参考訳（メタデータ） (2023-10-11T18:00:53Z)
• Posiform Planting: Generating QUBO Instances for Benchmarking [2.7624021966289605]
  本稿では,任意のサイズのランダムQUBOインスタンスを既知の最適解で生成する,posform plantingと呼ばれる新しい手法を提案する。 実験では,最大5,627ドルキュービットの最適化問題の最適植込み解をサンプリングするD-Wave量子アニールの能力を実証した。
  論文  参考訳（メタデータ） (2023-08-10T21:23:41Z)
• Comparing Three Generations of D-Wave Quantum Annealers for Minor Embedded Combinatorial Optimization Problems [1.0878040851638]
  我々は3世代にわたるD-Wave量子アニールのベンチマークを報告する。 イジングあるいは等価なQUBOは、これらの問題の定式化は順序の減少のために補助変数を必要としない。
  論文  参考訳（メタデータ） (2023-01-08T10:02:56Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Quantum-inspired optimization for wavelength assignment [51.55491037321065]
  波長割当問題を解くための量子インスピレーションアルゴリズムを提案し,開発する。 本研究は,電気通信における現実的な問題に対する量子インスパイアされたアルゴリズムの活用の道筋をたどるものである。
  論文  参考訳（メタデータ） (2022-11-01T07:52:47Z)
• Optimization of Robot Trajectory Planning with Nature-Inspired and Hybrid Quantum Algorithms [0.0]
  産業規模でロボット軌道計画問題を解く。 我々のエンドツーエンドソリューションは、高度に多目的なランダムキーアルゴリズムとモデル積み重ねとアンサンブル技術を統合している。 我々は、後者が我々のより大きなパイプラインにどのように統合され、問題に対する量子対応ハイブリッドソリューションを提供するかを示す。
  論文  参考訳（メタデータ） (2022-06-08T02:38:32Z)
• 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)
• A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
  本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。 私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。 実際の量子コンピュータを用いて得られた結果について述べる。
  論文  参考訳（メタデータ） (2022-01-25T05:59:24Z)
• Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
  形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。 本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
  論文  参考訳（メタデータ） (2021-05-06T17:59:38Z)
• Quantum Permutation Synchronization [88.4588059792167]
  本稿では,コンピュータビジョンの文脈における量子ビジョン問題を解決する量子アルゴリズムQuantumSyncを提案する。 本稿では、QUBO 問題に置換制約を挿入し、アバスティック量子 DWave コンピュータの電流生成に関する制約付き QUBO 問題を解決する方法を示す。
  論文  参考訳（メタデータ） (2021-01-19T17:51:02Z)

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。