論文の概要: Transfer Learning for Deep-Unfolded Combinatorial Optimization Solver with Quantum Annealer

• arxiv url: http://arxiv.org/abs/2501.03518v1
• Date: Tue, 07 Jan 2025 04:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:50:13.326508
• Title: Transfer Learning for Deep-Unfolded Combinatorial Optimization Solver with Quantum Annealer
• Title（参考訳）: 量子アニールを用いた深部展開型組合せ最適化解の伝達学習
• Authors: Ryo Hagiwara, Shunta Arai, Satoshi Takabe,
• Abstract要約: ディープ・アンフォールディングと呼ばれるディープラーニング技術を用いて、データセットから内部パラメータを最適化する訓練可能なサンプリングベースCOPソルバが提案されている。 本稿では古典的量子移動学習を提案し、古典的パラメータを古典的に訓練し、学習されたパラメータをQAを用いた解法で用いる。 数値実験の結果,古典量子遷移学習を用いたトレーニング可能な量子COPソルバは,元のソルバよりも収束速度と実行時間を向上することを示した。
• 参考スコア（独自算出の注目度）: 4.2056926734482065
• License:
• Abstract: Quantum annealing (QA) has attracted research interest as a sampler and combinatorial optimization problem (COP) solver. A recently proposed sampling-based solver for QA significantly reduces the required number of qubits, being capable of large COPs. In relation to this, a trainable sampling-based COP solver has been proposed that optimizes its internal parameters from a dataset by using a deep learning technique called deep unfolding. Although learning the internal parameters accelerates the convergence speed, the sampler in the trainable solver is restricted to using a classical sampler owing to the training cost. In this study, to utilize QA in the trainable solver, we propose classical-quantum transfer learning, where parameters are trained classically, and the trained parameters are used in the solver with QA. The results of numerical experiments demonstrate that the trainable quantum COP solver using classical-quantum transfer learning improves convergence speed and execution time over the original solver.
• Abstract（参考訳）: 量子アニール (QA) はサンプリングおよび組合せ最適化問題 (COP) の解法として研究の関心を集めている。 最近提案されたQAのためのサンプリングベースソルバは、必要なキュービット数を著しく削減し、大きなCOPを実現できる。 これに関連して、ディープ・アンフォールディングと呼ばれるディープラーニング技術を用いて、データセットから内部パラメータを最適化するトレーニング可能なサンプリングベースCOPソルバが提案されている。 内部パラメータの学習は収束速度を加速させるが、トレーニング可能なソルバのサンプルは、トレーニングコストによる古典的なサンプリング器の使用に制限される。 本研究では,学習可能解法においてQAを利用するために,古典的量子移動学習を提案し,古典的パラメータを古典的に学習し,学習されたパラメータをQAを用いて学習する。 数値実験の結果,古典量子遷移学習を用いたトレーニング可能な量子COPソルバは,元のソルバよりも収束速度と実行時間を向上することを示した。

関連論文リスト

• Accelerating Quantum Reinforcement Learning with a Quantum Natural Policy Gradient Based Approach [36.05085942729295]
  本稿では、古典的なNPG推定器で使用されるランダムサンプリングを決定論的勾配推定手法で置き換える量子自然ポリシー勾配(QNPG)アルゴリズムを提案する。 提案したQNPGアルゴリズムは、量子オラクルへのクエリに対する$tildemathcalO(epsilon-1.5)$のサンプル複雑性を達成し、マルコフ決定プロセス(MDP)へのクエリに対する$tildemathcalO(epsilon-2)$の古典的な下界を大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-27T17:38:30Z)
• Optimization by Parallel Quasi-Quantum Annealing with Gradient-Based Sampling [0.0]
  本研究では、連続緩和による勾配に基づく更新と準量子アナリング(QQA)を組み合わせた別のアプローチを提案する。 数値実験により,本手法はiSCOと学習型解法に匹敵する性能を有する汎用解法であることが示された。
  論文  参考訳（メタデータ） (2024-09-02T12:55:27Z)
• A joint optimization approach of parameterized quantum circuits with a tensor network [0.0]
  現在の中間スケール量子(NISQ)デバイスはその能力に制限がある。 本稿では,パラメータ化ネットワーク(TN)を用いて,変分量子固有解法(VQE)アルゴリズムの性能改善を試みる。
  論文  参考訳（メタデータ） (2024-02-19T12:53:52Z)
• Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
  高精度かつ高精度なサンプル推測が可能な統計理論について論じる。 本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
  論文  参考訳（メタデータ） (2023-10-16T17:53:30Z)
• Variational Quantum Approximate Spectral Clustering for Binary Clustering Problems [0.7550566004119158]
  本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。 VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。 合成と実世界の両方のデータセットから得られた数値結果について述べる。
  論文  参考訳（メタデータ） (2023-09-08T17:54:42Z)
• 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)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• 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)
• Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback [31.826205004616227]
  クライアントサンプリングは、最適化アルゴリズムの収束率に影響を与えるため、連邦学習(FL)システムにおいて重要な役割を果たす。 サンプリング分散の最小化を目的としたオンラインミラー降下(OSMD)アルゴリズムを提案する。 本手法は, 広く使用されている一様サンプリングよりも, フェデレーション最適化アルゴリズムの収束速度を向上できることを示す。
  論文  参考訳（メタデータ） (2021-12-28T23:50:52Z)
• QBoost for regression problems: solving partial differential equations [0.0]
  ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。 古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。 量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
  論文  参考訳（メタデータ） (2021-08-30T16:13:04Z)
• 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。