論文の概要: Solving Large-Scale QUBO with Transferred Parameters from Multilevel QAOA of low depth

• arxiv url: http://arxiv.org/abs/2505.11464v1
• Date: Fri, 16 May 2025 17:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.761869
• Title: Solving Large-Scale QUBO with Transferred Parameters from Multilevel QAOA of low depth
• Title（参考訳）: 低深度多層QAOAからの移動パラメータを用いた大規模QUBOの解法
• Authors: Bao G Bach, Filip B. Maciejewski, Ilya Safro,
• Abstract要約: 本稿では,QAOAパラメータを用いた高速ハイブリッドマルチレベルアルゴリズムの提案と遺伝的アルゴリズムによる強化について述べる。 その結果、短期量子デバイス上での最適化のためのスケーラブルな方法として、マルチレベルQAOAの実用可能性を強調した。
• 参考スコア（独自算出の注目度）: 2.1215729831364887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Quantum Approximate Optimization Algorithm (QAOA) is a promising quantum approach for tackling combinatorial optimization problems. However, hardware constraints such as limited scaling and susceptibility to noise pose significant challenges when applying QAOA to large instances. To overcome these limitations, scalable hybrid multilevel strategies have been proposed. In this work, we propose a fast hybrid multilevel algorithm with QAOA parameterization throughout the multilevel hierarchy and its reinforcement with genetic algorithms, which results in a high-quality, low-depth QAOA solver. Notably, we propose parameter transfer from the coarsest level to the finer level, showing that the relaxation-based coarsening preserves the problem structural information needed for QAOA parametrization. Our strategy improves the coarsening phase and leverages both Quantum Relax \& Round and genetic algorithms to incorporate $p=1$ QAOA samples effectively. The results highlight the practical potential of multilevel QAOA as a scalable method for combinatorial optimization on near-term quantum devices.
• Abstract（参考訳）: 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、組合せ最適化問題に対処するための有望な量子アプローチである。 しかし、大規模インスタンスにQAOAを適用する際には、スケーリングの制限やノイズに対する感受性といったハードウェア上の制約が大きな課題となっている。 これらの制限を克服するため、スケーラブルなハイブリッドマルチレベル戦略が提案されている。 本研究では,QAOAをパラメータ化した高速ハイブリッドマルチレベルアルゴリズムを提案し,その遺伝的アルゴリズムによる強化を行い,高品質で高精度なQAOA解法を実現する。 特に,QAOAパラメトリゼーションに必要な問題構造情報を緩和に基づく粗大化が保持することを示すため,粗大化レベルから細小化レベルへのパラメータ転送を提案する。 我々の戦略は、粗大化フェーズを改善し、Quantum Relax \& Roundと遺伝的アルゴリズムの両方を活用して、$p=1$QAOAサンプルを効果的に組み込む。 その結果、短期量子デバイス上での組合せ最適化のためのスケーラブルな方法として、マルチレベルQAOAの実用可能性を強調した。

関連論文リスト

• Hybrid quantum optimization in the context of minimizing traffic congestion [0.0]
  量子近似最適化アルゴリズム(QAOA)から得られる解をベンチマークする。 原則として、QAOAレイヤの数が無限大に近づくにつれて、ソリューションは最適性に達するべきである。 量子ビット接続と回路深度に制限のあるNISQデバイスに対しては,QAOAのノイズ耐性版を導入する。 以上の結果から,このQAOA変種は,物理的IBM量子コンピュータデバイス上でのQAOAよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T06:15:23Z)
• MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
  量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。 良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。 ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-09-27T12:28:18Z)
• Variational quantum algorithm-preserving feasible space for solving the uncapacitated facility location problem [3.3682090109106446]
  本稿では,変分量子アルゴリズムで実現可能な空間(VQA-PFS)アンサッツを提案する。 このアンザッツは制約変数に混合演算子を適用し、非制約変数にハードウェア効率アンザッツ(HEA)を用いる。 その結果, VQA-PFSは成功確率を著しく向上し, より高速な収束を示すことがわかった。
  論文  参考訳（メタデータ） (2023-12-12T01:36:49Z)
• Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
  この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。 その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-09-28T18:55:22Z)
• A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。 この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。 我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
  論文  参考訳（メタデータ） (2023-06-15T15:28:12Z)
• QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum machines [81.4597482536073]
  量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。 量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。 提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2022-05-24T03:49:10Z)
• 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)
• Quantum constraint learning for quantum approximate optimization algorithm [0.0]
  本稿では,探索部分空間を厳しく制約するミキサーハミルトンを学習するための量子機械学習手法を提案する。 学習したユニタリを直接適応可能なアンサッツを使用してQAOAフレームワークにプラグインすることができる。 また,Wasserstein距離を用いた近似最適化アルゴリズムの性能を,制約なしで評価する直感的計量法を開発した。
  論文  参考訳（メタデータ） (2021-05-14T11:31:14Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• 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。