論文の概要: Minor Embedding for Quantum Annealing with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2507.16004v1
- Date: Mon, 21 Jul 2025 18:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:13.853669
- Title: Minor Embedding for Quantum Annealing with Reinforcement Learning
- Title(参考訳): 強化学習による量子アニーリングのための小さな埋め込み
- Authors: Riccardo Nembrini, Maurizio Ferrari Dacrema, Paolo Cremonesi,
- Abstract要約: 強化学習(RL)は、小さな埋め込みをシーケンシャルな意思決定問題として扱うことで、有望な代替手段を提供する。
提案手法は, 完全連結問題とランダムに生成した問題の両方を埋め込む能力をテストする。
提案手法は,よりフレキシブルで汎用的なフレームワークとしてのRLの可能性を強調し,問題のサイズを適度に拡大し,異なるグラフ構造に順応することができる。
- 参考スコア(独自算出の注目度): 10.787328610467801
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quantum Annealing (QA) is a quantum computing paradigm for solving combinatorial optimization problems formulated as Quadratic Unconstrained Binary Optimization (QUBO) problems. An essential step in QA is minor embedding, which maps the problem graph onto the sparse topology of the quantum processor. This process is computationally expensive and scales poorly with increasing problem size and hardware complexity. Existing heuristics are often developed for specific problem graphs or hardware topologies and are difficult to generalize. Reinforcement Learning (RL) offers a promising alternative by treating minor embedding as a sequential decision-making problem, where an agent learns to construct minor embeddings by iteratively mapping the problem variables to the hardware qubits. We propose a RL-based approach to minor embedding using a Proximal Policy Optimization agent, testing its ability to embed both fully connected and randomly generated problem graphs on two hardware topologies, Chimera and Zephyr. The results show that our agent consistently produces valid minor embeddings, with reasonably efficient number of qubits, in particular on the more modern Zephyr topology. Our proposed approach is also able to scale to moderate problem sizes and adapts well to different graph structures, highlighting RL's potential as a flexible and general-purpose framework for minor embedding in QA.
- Abstract(参考訳): 量子アニーリング (Quantum Annealing, QA) は、擬似非制約二項最適化 (Quantum Unconstrained Binary Optimization, QUBO) 問題として定式化された組合せ最適化問題を解くための量子コンピューティングパラダイムである。
QAにおける重要なステップは、問題グラフを量子プロセッサのスパーストポロジにマッピングするマイナーな埋め込みである。
このプロセスは計算コストが高く、問題のサイズやハードウェアの複雑さが大きくなるとスケールが低下する。
既存のヒューリスティックスはしばしば特定の問題グラフやハードウェアトポロジーのために開発され、一般化が難しい。
Reinforcement Learning (RL)は、エージェントが問題の変数をハードウェアキュービットに反復的にマッピングすることで、マイナーな埋め込みを構築することを学習する、逐次的な意思決定問題としてマイナーな埋め込みを扱う、有望な代替手段を提供する。
提案手法は, 完全連結およびランダムに生成した問題グラフを2つのハードウェアトポロジ, Chimera と Zephyr に埋め込む能力をテストする。
その結果、我々のエージェントは、より現代的なゼーファー位相上で、合理的に効率的な量子ビット数を持つ、有効な小さな埋め込みを一貫して生成することを示した。
提案手法は,問題のサイズを適度に拡大し,異なるグラフ構造に順応し,QAに小さな埋め込みを組み込むための柔軟で汎用的なフレームワークとしてのRLの可能性を強調した。
関連論文リスト
- An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳(メタデータ) (2025-04-13T11:49:53Z) - Quantum Approximate Optimisation Applied to Graph Similarity [0.0]
本稿では,QAOAのすべての構成成分の探索を容易にする新しい量子最適化シミュレーションパッケージを提案する。
6段階の分解レベルで8つの古典的最適化手法について検討する。
QAOAとエッジの重複によるグラフ類似性のような置換に基づく問題の符号化は、量子メモリの大幅な節約を可能にする。
論文 参考訳(メタデータ) (2024-12-23T06:04:08Z) - ATOM: An Efficient Topology Adaptive Algorithm for Minor Embedding in
Quantum Computing [18.594343052664335]
ハードウェアグラフの拡張可能な部分グラフである適応トポロジーの新たな概念を導入する。
ATOMは論理グラフからノードを反復的に選択し、ハードウェアグラフの適応トポロジーに埋め込む。
実験の結果、ATOMは最先端技術よりもはるかに少ない実行時間で実現可能な埋め込みを実現することができることがわかった。
論文 参考訳(メタデータ) (2023-07-04T17:45:07Z) - QuAnt: Quantum Annealing with Learnt Couplings [18.40480332882025]
我々はデータからQUBOフォームを導出するのではなく、勾配のバックプロパゲーションを通して学習する。
本稿では,グラフマッチングや2次元点雲のアライメント,3次元回転推定といった多種多様な問題に対する学習QUBOの利点を示す。
論文 参考訳(メタデータ) (2022-10-13T17:59:46Z) - 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) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - 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) - 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) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳(メタデータ) (2020-09-15T18:17:27Z) - Quantum Approximate Optimization of Non-Planar Graph Problems on a
Planar Superconducting Processor [29.928684308464796]
量子近似最適化アルゴリズム(QAOA)による最適化問題へのGoogle Sycamore超伝導量子ビットプロセッサの適用を実証する。
初めて回路深度で性能が向上するのを観察した。
この挙動は、ハードウェア接続とは異なるグラフ上の問題を最適化するために、短期量子コンピュータを使用するという課題を強調している。
論文 参考訳(メタデータ) (2020-04-08T18:44:34Z)
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。