論文の概要: Comparative Evaluation of PyTorch, JAX, SciPy, and Neal for Solving QUBO Problems at Scale

• arxiv url: http://arxiv.org/abs/2507.17770v1
• Date: Thu, 17 Jul 2025 07:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.129194
• Title: Comparative Evaluation of PyTorch, JAX, SciPy, and Neal for Solving QUBO Problems at Scale
• Title（参考訳）: 大規模QUBO問題の解法におけるPyTorch, JAX, SciPy, Nealの比較評価
• Authors: Pei-Kun Yang,
• Abstract要約: 本研究は,ソフトウェアをベースとした疑似非拘束バイナリ最適化(QUBO)の5つの解法をベンチマークする。 Neal, PyTorch (CPU), PyTorch (GPU), JAX, SciPy, ランダムに生成されたQUBO行列は1000x1000から45000x45000である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quadratic Unconstrained Binary Optimization (QUBO) is a versatile framework for modeling combinatorial optimization problems. This study benchmarks five software-based QUBO solvers: Neal, PyTorch (CPU), PyTorch (GPU), JAX, and SciPy, on randomly generated QUBO matrices ranging from 1000x1000 to 45000x45000, under six convergence thresholds from 10^-1 to 10^-6. We evaluate their performance in terms of solution quality (energy) and computational time. Among the solvers tested, Neal achieved the lowest energy values but was limited to problems with up to 6000 variables due to high memory consumption. PyTorch produced slightly higher energy results than Neal but demonstrated superior scalability, solving instances with up to 45000 variables. Its support for GPU acceleration and CPU multi-threading also resulted in significantly shorter runtimes. JAX yielded energy values slightly above those of PyTorch and was limited to 25000 variables, with runtimes comparable to PyTorch on GPU. SciPy was the most constrained solver, handling only up to 6000 variables and consistently producing the highest energy values with the longest computation times. These findings highlight trade-offs between solution quality, scalability, and runtime efficiency, and suggest that PyTorch is the most balanced choice for large-scale QUBO problems when computational resources permit.
• Abstract（参考訳）: Quadratic Unconstrained Binary Optimization (QUBO) は組合せ最適化問題をモデル化するための汎用フレームワークである。 本研究では、1000x1000から45000x45000までのランダムに生成されたQUBO行列に対して、Neal、PyTorch(CPU)、PyTorch(GPU)、JAX、SciPyの5つのソフトウェアベースのQUBO解法を10^-1から10^-6までの収束しきい値の下でベンチマークする。 我々は,解の質(エネルギー)と計算時間の観点から,それらの性能を評価する。 試験された解法のうち、ニールは最小のエネルギー値を達成したが、高いメモリ消費のために最大6000変数の問題に制限された。 PyTorchはNealよりもわずかにエネルギー効率が高かったが、スケーラビリティが優れ、最大45000変数のインスタンスを解決した。 GPUアクセラレーションとCPUマルチスレッドのサポートにより、ランタイムも大幅に短縮された。 JAXはPyTorchのエネルギー値よりわずかに高く、GPU上ではPyTorchに匹敵する25,000変数に制限されていた。 SciPyは最も制約のある解法であり、最大6000の変数しか扱わず、最も長い計算時間で最高エネルギー値を生成した。 これらの結果は、ソリューションの品質、スケーラビリティ、実行時の効率のトレードオフを強調し、PyTorchが計算リソースが許容する大規模QUBO問題において、最もバランスのとれた選択肢であることを示唆している。

関連論文リスト

• A Truncated Newton Method for Optimal Transport [13.848861021326755]
  本稿では, エントロピック規則化最適輸送(OT)解法のための特殊トランケートニュートンアルゴリズムを提案する。 提案アルゴリズムは実行時性能が極めて良好であり,既存の多くの選択肢よりも高精度な順序を達成できる。 アルゴリズムのスケーラビリティは、非常に大きなOT問題に対して、約106$の$n近似で示され、エントロピー正則化の弱さの下で解決される。
  論文  参考訳（メタデータ） (2025-04-02T19:00:24Z)
• Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
  Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。 Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。 数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:33:50Z)
• Machine learning-driven conservative-to-primitive conversion in hybrid piecewise polytropic and tabulated equations of state [0.2999888908665658]
  本稿では,流体力学シミュレーションにおける保守的・原始的逆転を高速化する機械学習(ML)手法を提案する。 我々は、フィードフォワードニューラルネットワーク(NNC2PSとNC2PL)を採用し、PyTorchでトレーニングし、NVIDIARTを用いたGPU推論に最適化した。 NNC2PS推論用の混合精度RTエンジンは、データセットサイズ1000,000点の従来のシングルスレッド実装よりも約400倍高速である。
  論文  参考訳（メタデータ） (2024-12-10T19:00:01Z)
• Sketch 'n Solve: An Efficient Python Package for Large-Scale Least Squares Using Randomized Numerical Linear Algebra [0.0]
  我々は、効率的なランダム化数値線形代数手法を実装したオープンソースのPythonパッケージであるSketch 'n Solveを提案する。 本研究では, 従来のLSQRよりも最大50倍の高速化を実現し, 精度も高いことを示す。 このパッケージは、機械学習の最適化、信号処理、科学計算の応用に特に有望であることを示している。
  論文  参考訳（メタデータ） (2024-09-22T04:29:51Z)
• HOBOTAN: Efficient Higher Order Binary Optimization Solver with Tensor Networks and PyTorch [0.0]
  高次二項最適化(HOBO)のための新しい解法である HoOBOTAN を紹介する。 HOBOTANはCPUとGPUの両方をサポートし、GPUバージョンはPyTorchをベースに開発され、高速でスケーラブルなシステムを提供している。 本稿では,HOBOTANの設計,実装,性能評価,拡張性について述べる。
  論文  参考訳（メタデータ） (2024-07-29T13:20:11Z)
• Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
  我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。 我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
  論文  参考訳（メタデータ） (2024-01-17T18:59:38Z)
• Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching [53.91395791840179]
  我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。 USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2023-12-19T02:27:22Z)
• INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
  計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。 InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。 1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
  論文  参考訳（メタデータ） (2023-08-11T04:24:39Z)
• Phase-Binarized Spintronic Oscillators for Combinatorial Optimization, and Comparison with Alternative Classical and Quantum Methods [0.04660328753262073]
  アイシングコンピューティングではPBOが提案されており、様々なデバイス技術を用いてPBOを実験的に実装している。 このようなPBOを実装し, 4ノード重み付きグラフ上でのNP-Hard問題MaxCutを解くために, 4つの双極子結合型一様モードスピンホールナノ発振器(SHNO)のアレイを使用できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T09:04:03Z)
• torchode: A Parallel ODE Solver for PyTorch [2.538209532048867]
  我々はPyTorchエコシステムのためのODEソルバを導入し、複数のODEを互いに独立して並列に解決する。 我々の実装は他のODEソルバよりも1ステップあたり4.3倍高速です。
  論文  参考訳（メタデータ） (2022-10-22T07:08:17Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• 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)
• Hybrid Models for Learning to Branch [81.93868699246214]
  我々はCPUマシン上で効率的な分岐を行うための新しいハイブリッドアーキテクチャを提案する。 提案アーキテクチャは,GNNの表現力と分岐処理のための計算コストの低い多層パーセプトロン(MLP)を組み合わせる。
  論文  参考訳（メタデータ） (2020-06-26T21:03:45Z)

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。