論文の概要: Quantum Annealing for Combinatorial Optimization: A Benchmarking Study
- arxiv url: http://arxiv.org/abs/2504.06201v1
- Date: Tue, 08 Apr 2025 16:43:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 15:58:51.750825
- Title: Quantum Annealing for Combinatorial Optimization: A Benchmarking Study
- Title（参考訳）: 組合せ最適化のための量子アニーリング:ベンチマーク研究
- Authors: Seongmin Kim, Sang-Woo Ahn, In-Saeng Suh, Alexander W. Dowling, Eungkyu Lee, Tengfei Luo,
- Abstract要約: 現状の量子解法は,従来の解法よりも精度が0.013%高く,解法時間も6,561xであることを示す。
この結果から,特にハイブリッド構成において,従来のQAよりもQAを活用できるという利点が浮かび上がっている。
- 参考スコア（独自算出の注目度）: 39.125366249242646
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum annealing (QA) has the potential to significantly improve solution quality and reduce time complexity in solving combinatorial optimization problems compared to classical optimization methods. However, due to the limited number of qubits and their connectivity, the QA hardware did not show such an advantage over classical methods in past benchmarking studies. Recent advancements in QA with more than 5,000 qubits, enhanced qubit connectivity, and the hybrid architecture promise to realize the quantum advantage. Here, we use a quantum annealer with state-of-the-art techniques and benchmark its performance against classical solvers. To compare their performance, we solve over 50 optimization problem instances represented by large and dense Hamiltonian matrices using quantum and classical solvers. The results demonstrate that a state-of-the-art quantum solver has higher accuracy (~0.013%) and a significantly faster problem-solving time (~6,561x) than the best classical solver. Our results highlight the advantages of leveraging QA over classical counterparts, particularly in hybrid configurations, for achieving high accuracy and substantially reduced problem solving time in large-scale real-world optimization problems.
- Abstract（参考訳）: 量子アニーリング(QA)は、古典的な最適化法と比較して、組合せ最適化問題の解法において、解法品質を著しく改善し、時間的複雑さを低減する可能性がある。
しかし、量子ビット数の制限と接続性のため、QAハードウェアは過去のベンチマーク研究において古典的な手法に対してそのような優位性を示しなかった。
5000量子ビット以上のQAの最近の進歩、量子ビット接続の強化、およびハイブリッドアーキテクチャは、量子上の優位性を実現することを約束している。
ここでは、最先端技術を備えた量子アニールを用いて、古典的解法に対してその性能をベンチマークする。
それらの性能を比較するために、量子および古典的解法を用いて、大規模で密度の高いハミルトン行列で表される50以上の最適化問題を解く。
その結果、最先端の量子解法は、最高の古典解法よりも精度(~0.013%)が高く、より高速な解法時間(6,561x)であることが示されている。
実世界の大規模最適化問題において,QAを従来の構成,特にハイブリッド構成よりも有効に活用することで,精度が高く,問題解決時間を大幅に短縮できるという利点を強調した。
関連論文リスト
- Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。
我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
論文 参考訳（メタデータ） (2025-05-01T14:39:26Z) - Quantum Optimization Benchmark Library -- The Intractable Decathlon [27.362963067036087]
既存の古典的アルゴリズムでは難しい10の最適化問題クラスを提示する。
問題クラスの個々の性質は、目的と変数タイプ、係数範囲、密度の点で異なる。
本稿ではQOBLIB(Quantum Optimization Benchmark Library)を紹介する。
論文 参考訳（メタデータ） (2025-04-04T18:00:00Z) - Hybrid Quantum-Classical Optimisation of Traveling Salesperson Problem [0.0]
トラベリングセールスパーソン問題(TSP)は基本的なNPハード最適化問題である。
量子最適化技術と古典的機械学習手法を統合するハイブリッド量子古典的手法を提案する。
論文 参考訳（メタデータ） (2025-02-28T22:07:28Z) - Optimization by Decoded Quantum Interferometry [43.55132675053983]
Decoded Quantum Interferometry (DQI) という量子アルゴリズムを導入する。
有限フィールド上のデータに対する最適適合性を近似するために、DQIは我々の知る時間よりも優れた近似比を達成する。
30,000以上の変数を持つインスタンスをベンチマークすることで、これを実証します。
論文 参考訳（メタデータ） (2024-08-15T17:47:42Z) - Quantum optimization using a 127-qubit gate-model IBM quantum computer can outperform quantum annealers for nontrivial binary optimization problems [0.0]
ゲートモデル量子コンピュータにおける二項最適化問題に対する包括的量子解法を提案する。
最大127キュービットの問題の正しい解を一貫して提供する。
我々は、古典的に非自明な2進最適化問題に対して、IBM量子コンピュータ上でこの解法をベンチマークする。
論文 参考訳（メタデータ） (2024-06-03T19:08:01Z) - Guess What Quantum Computing Can Do for Test Case Optimization [43.89456212504871]
近い将来、量子近似最適化アルゴリズム(QAOAs)は最適化問題を解く大きな可能性を秘めている。
本稿では,QAOA問題としてソフトウェアテストケース最適化問題を定式化し,量子コンピュータシミュレータ上での解法を提案する。
近年は利用できない多くのキュービットを必要とするより大きなテスト最適化問題を解決するため、QAOAと問題分解戦略を統合する。
論文 参考訳（メタデータ） (2023-12-24T21:25:31Z) - Variational Quantum Multi-Objective Optimization [5.381539115778766]
本稿では,量子コンピュータ上での離散多目的最適化問題を解くための変分量子最適化アルゴリズムを提案する。
最大5つの目的を持つベンチマーク問題に対して提案アルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2023-12-21T18:59:21Z) - Randomized Benchmarking of Local Zeroth-Order Optimizers for Variational
Quantum Systems [65.268245109828]
古典学のパフォーマンスを、半ランダム化された一連のタスクで比較する。
量子システムにおける一般に好適な性能とクエリ効率のため、局所ゼロ階数に着目する。
論文 参考訳（メタデータ） (2023-10-14T02:13:26Z) - 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) - 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) - Accelerating variational quantum algorithms with multiple quantum
processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。
現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。
ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文 参考訳（メタデータ） (2021-06-24T08:18:42Z) - 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。