論文の概要: Accelerated VQE: Parameter Recycling for Similar Recurring Problem Instances

• arxiv url: http://arxiv.org/abs/2503.22590v1
• Date: Fri, 28 Mar 2025 16:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:28:54.732951
• Title: Accelerated VQE: Parameter Recycling for Similar Recurring Problem Instances
• Title（参考訳）: アクセラレーションVQE:類似した再帰問題事例に対するパラメータリサイクル
• Authors: Tobias Rohe, Maximilian Balthasar Mansky, Michael Kölle, Jonas Stein, Leo Sünkel, Claudia Linnhoff-Popien,
• Abstract要約: 変分量子固有解法(VQE)の訓練は、かなりの計算を必要とするタスクである。 同様の問題を解く際の学習時間を大幅に短縮するために,移動学習の概念の利用を提案する。 そこで本研究では, MaxCut問題に対して, 2つの異なる回路を用いて12ノードの問題を解いた高速化VQE手法を提案する。
• 参考スコア（独自算出の注目度）: 4.118849293881126
• License:
• Abstract: Training the Variational Quantum Eigensolver (VQE) is a task that requires substantial compute. We propose the use of concepts from transfer learning to considerably reduce the training time when solving similar problem instances. We demonstrate that its utilisation leads to accelerated convergence and provides a similar quality of results compared to circuits with parameters initialised around zero. Further, transfer learning works better when the distance between the source-solution is close to that of the target-solution. Based on these findings, we present an accelerated VQE approach tested on the MaxCut problem with a problem size of 12 nodes solved with two different circuits utilised. We compare our results against a random baseline and non transfer learning trained circuits. Our experiments demonstrate that transfer learning can reduce training time by around 93\% in post-training, relative to identical circuits without the use of transfer learning. The accelerated VQE approach beats the standard approach by seven, respectively nine percentage points in terms of solution quality, if the early-stopping is considered. In settings where time-to-solution or computational costs are critical, this approach provides a significant advantage, having an improved trade-off between training effort and solution quality.
• Abstract（参考訳）: 変分量子固有解法(VQE)の訓練は、かなりの計算を必要とするタスクである。 同様の問題を解く際の学習時間を大幅に短縮するために,移動学習の概念の利用を提案する。 我々は,その利用によって収束が加速され,0 付近に初期化されるパラメータを持つ回路と比較して,同様の品質の回路が得られることを示した。 さらに、ソース・ソリューション間の距離がターゲット・ソリューションのそれに近い場合、転送学習はよりうまく機能する。 これらの結果に基づき, MaxCut問題に対して, 2つの異なる回路を用いて12ノードの問題を解いた高速化VQE手法を提案する。 我々は,ランダムなベースラインと非伝達学習訓練回路との比較を行った。 本実験は,トランスファーラーニングを使わずに,同一回路と比較して,トランスファーラーニングのトレーニング時間を約93%短縮できることを実証した。 高速化されたVQEアプローチは、早期ストッピングを考慮した場合、解品質の点でそれぞれ9ポイントの標準アプローチを上回る。 時間から解決までのコストや計算コストが重要であるような環境では、このアプローチはトレーニングの労力とソリューションの品質の間のトレードオフを改善し、大きな利点を提供します。

関連論文リスト

• Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
  我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。 画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
  論文  参考訳（メタデータ） (2024-12-19T18:58:14Z)
• Physics-Informed Neural Networks for High-Frequency and Multi-Scale Problems using Transfer Learning [0.0]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式および常微分方程式(ODEs/PDEs)のデータ駆動型解法である 本稿では,移動学習を用いて,トレーニングPINNの堅牢性と収束性を高めることを提案する。 我々は、選択を含むトレーニング戦略を詳しく説明し、より複雑な問題を解決するために、トランスファーラーニングを使用してニューラルネットワークをトレーニングするためのガイドラインを提案した。
  論文  参考訳（メタデータ） (2024-01-05T13:45:08Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• M$^2$DQN: A Robust Method for Accelerating Deep Q-learning Network [6.689964384669018]
  我々は,Deep Q-Network(M$2$DQN)におけるMax-Mean損失を利用したフレームワークを提案する。 トレーニングステップで1バッチの経験をサンプリングする代わりに、経験の再生からいくつかのバッチをサンプリングし、これらのバッチの最大TDエラーなどのパラメータを更新する。 ジムゲームにおけるDouble DQN(Double DQN)を用いて,このフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2022-09-16T09:20:35Z)
• Online Target Q-learning with Reverse Experience Replay: Efficiently finding the Optimal Policy for Linear MDPs [50.75812033462294]
  我々は,Q-ラーニングの実践的成功と悲観的理論的結果とのギャップを埋める。 本稿では,新しいQ-Rex法とQ-RexDaReを提案する。 Q-Rex は線形 MDP の最適ポリシを効率的に見つけることができる。
  論文  参考訳（メタデータ） (2021-10-16T01:47:41Z)
• Fully-echoed Q-routing with Simulated Annealing Inference for Flying Adhoc Networks [6.3372141874912735]
  自己適応学習率のフルエコーQ-routingアルゴリズムを提案する。 提案手法は,アートqルーティングプロトコルの状況と比較して,7%から82%までのエネルギー消費量の削減と2.6倍のパケット配送率の向上を示した。
  論文  参考訳（メタデータ） (2021-03-23T22:28:26Z)
• Cross Learning in Deep Q-Networks [82.20059754270302]
  本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。 本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
  論文  参考訳（メタデータ） (2020-09-29T04:58:17Z)
• Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
  本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。 この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:48:12Z)
• DisCor: Corrective Feedback in Reinforcement Learning via Distribution Correction [96.90215318875859]
  ブートストラップに基づくQ-ラーニングアルゴリズムは必ずしも修正フィードバックの恩恵を受けないことを示す。 本稿では,この最適分布に対する近似を計算し,トレーニングに使用する遷移の重み付けに使用する新しいアルゴリズムであるDisCorを提案する。
  論文  参考訳（メタデータ） (2020-03-16T16:18:52Z)

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。