論文の概要: Scalable Quantum-Inspired Optimization through Dynamic Qubit Compression

• arxiv url: http://arxiv.org/abs/2412.18571v1
• Date: Tue, 24 Dec 2024 17:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:55:46.748460
• Title: Scalable Quantum-Inspired Optimization through Dynamic Qubit Compression
• Title（参考訳）: 動的量子ビット圧縮によるスケーラブル量子インスピレーション最適化
• Authors: Co Tran, Quoc-Bao Tran, Hy Truong Son, Thang N Dinh,
• Abstract要約: ハード最適化の問題は、しばしばイジングモデルにマッピングされ、量子的優位性を持つ潜在的な解を約束するが、短期デバイスにおける制限量子ビット数によって制限される。 我々は,大規模Isingモデルを動的に圧縮し,異なるサイズで利用可能な量子ハードウェアに適合させる,革新的な量子インスパイアされたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.464272698399657
• License:
• Abstract: Hard combinatorial optimization problems, often mapped to Ising models, promise potential solutions with quantum advantage but are constrained by limited qubit counts in near-term devices. We present an innovative quantum-inspired framework that dynamically compresses large Ising models to fit available quantum hardware of different sizes. Thus, we aim to bridge the gap between large-scale optimization and current hardware capabilities. Our method leverages a physics-inspired GNN architecture to capture complex interactions in Ising models and accurately predict alignments among neighboring spins (aka qubits) at ground states. By progressively merging such aligned spins, we can reduce the model size while preserving the underlying optimization structure. It also provides a natural trade-off between the solution quality and size reduction, meeting different hardware constraints of quantum computing devices. Extensive numerical studies on Ising instances of diverse topologies show that our method can reduce instance size at multiple levels with virtually no losses in solution quality on the latest D-wave quantum annealers.
• Abstract（参考訳）: ハード組合せ最適化問題は、しばしばイジングモデルにマッピングされ、量子的優位性を持つ潜在的な解を約束するが、短期デバイスにおける制限量子ビット数によって制限される。 我々は,大規模Isingモデルを動的に圧縮し,異なるサイズで利用可能な量子ハードウェアに適合させる,革新的な量子インスパイアされたフレームワークを提案する。 そこで我々は,大規模最適化と現在のハードウェア機能とのギャップを埋めることを目的としている。 本手法は物理に着想を得たGNNアーキテクチャを用いて,Isingモデルにおける複雑な相互作用を捉えるとともに,近接するスピン(すなわち量子ビット)の基底状態におけるアライメントを正確に予測する。 このような整列スピンを段階的にマージすることで、基礎となる最適化構造を保ちながらモデルサイズを小さくすることができる。 また、ソリューションの品質とサイズ削減の自然なトレードオフを提供し、量子コンピューティングデバイスの異なるハードウェア制約を満たす。 多様なトポロジのIsingインスタンスに関する大規模な数値研究により、最新のD波量子アニールの溶液品質を実質的に損なうことなく、複数のレベルでインスタンスサイズを削減できることが示されている。

関連論文リスト

• Scaling Up the Quantum Divide and Conquer Algorithm for Combinatorial Optimization [0.8121127831316319]
  本稿では,デバイス間通信コストを大幅に削減する量子回路の構築手法を提案する。 そこで本研究では,従来のQDCA手法の約3倍の大きさのトラクタブル回路を構築できることを示す。
  論文  参考訳（メタデータ） (2024-05-01T20:49:50Z)
• EQ-Net: Elastic Quantization Neural Networks [15.289359357583079]
  Elastic Quantization Neural Networks (EQ-Net) は、堅牢な重み共有量子化スーパーネットのトレーニングを目的としている。 本稿では, 様々な主要な量形式に対応するために, 弾性量子化空間(弾性ビット幅, 粒度, 対称性を含む)を提案する。 遺伝的アルゴリズムと,提案した条件量子化対応条件精度予測器(CQAP)を推定器として組み込んで,混合精度量子ニューラルネットワークを高速に探索する。
  論文  参考訳（メタデータ） (2023-08-15T08:57:03Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• 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)
• 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)
• Optimizing Quantum Variational Circuits with Deep Reinforcement Learning [0.0]
  量子変動回路における勾配に基づく最適化ルーチンを強化するため, 深部強化学習における現代的手法の可能性を評価する。 強化学習の強化は雑音環境における勾配降下より一貫して優れることがわかった。
  論文  参考訳（メタデータ） (2021-09-07T16:48:39Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Divide and Conquer for Combinatorial Optimization and Distributed Quantum Computation [3.8221353389253676]
  本稿では、大規模最適化問題を分散量子アーキテクチャにマッピングするハイブリッド変分法である量子除算法(QDCA)を紹介する。 これはグラフ分割と量子回路切断の組み合わせによって達成される。 我々は、最大独立集合問題のインスタンス上でQDCAをシミュレートし、類似の古典的アルゴリズムよりも優れた性能が得られることを確かめる。
  論文  参考訳（メタデータ） (2021-07-15T18:00:32Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Hardware-Centric AutoML for Mixed-Precision Quantization [34.39845532939529]
  従来の量子化アルゴリズムは、異なるハードウェアアーキテクチャを無視し、すべてのレイヤを均一に量子化する。 本稿では、強化学習を利用して量子化ポリシーを自動的に決定するハードウェア・アウェア自動量子化(HAQ)フレームワークを紹介する。 本フレームワークは, 固定ビット幅(8ビット)の量子化と比較して, 遅延を1.4-1.95x, エネルギー消費を1.9x削減した。
  論文  参考訳（メタデータ） (2020-08-11T17:30:22Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。