論文の概要: Black-box optimization using factorization and Ising machines
- arxiv url: http://arxiv.org/abs/2507.18003v1
- Date: Thu, 24 Jul 2025 00:37:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:42.727801
- Title: Black-box optimization using factorization and Ising machines
- Title（参考訳）: 因子化とイジングマシンを用いたブラックボックス最適化
- Authors: Ryo Tamura, Yuya Seki, Yuki Minamoto, Koki Kitai, Yoshiki Matsuda, Shu Tanaka, Koji Tsuda,
- Abstract要約: ブラックボックス最適化(BBO)は、材料設計、薬物発見、機械学習に用いられている。
FMQAアルゴリズムは、BBOのサロゲートモデルとして因子化マシン(FM)を使用する。
FMQAアルゴリズムでBBOを即座に実行できるように、我々はPythonパッケージとともにFMQAアルゴリズムを導入しました。
- 参考スコア（独自算出の注目度）: 1.855858265809853
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Black-box optimization (BBO) is used in materials design, drug discovery, and hyperparameter tuning in machine learning. The world is experiencing several of these problems. In this review, a factorization machine with quantum annealing or with quadratic-optimization annealing (FMQA) algorithm to realize fast computations of BBO using Ising machines (IMs) is discussed. The FMQA algorithm uses a factorization machine (FM) as a surrogate model for BBO. The FM model can be directly transformed into a quadratic unconstrained binary optimization model that can be solved using IMs. This makes it possible to optimize the acquisition function in BBO, which is a difficult task using conventional methods without IMs. Consequently, it has the advantage of handling large BBO problems. To be able to perform BBO with the FMQA algorithm immediately, we introduce the FMQA algorithm along with Python packages to run it. In addition, we review examples of applications of the FMQA algorithm in various fields, including physics, chemistry, materials science, and social sciences. These successful examples include binary and integer optimization problems, as well as more general optimization problems involving graphs, networks, and strings, using a binary variational autoencoder. We believe that BBO using the FMQA algorithm will become a key technology in IMs including quantum annealers.
- Abstract（参考訳）: ブラックボックス最適化(BBO)は、機械学習における材料設計、薬物発見、ハイパーパラメータチューニングに用いられている。
世界はこれらの問題をいくつか経験している。
本稿では,Ising Machine(IMs)を用いたBBOの高速計算を実現するために,量子アニールや2次最適化アニール(FMQA)アルゴリズムを用いた分解機について述べる。
FMQAアルゴリズムは、BBOのサロゲートモデルとして因子化マシン(FM)を使用する。
FMモデルは直接、IMを用いて解くことができる二次的制約のない2進最適化モデルに変換することができる。
これにより、IMのない従来の手法では難しいBBOの取得関数を最適化することができる。
そのため、大規模なBBO問題を扱う利点がある。
FMQAアルゴリズムでBBOを即座に実行できるように、我々はPythonパッケージとともにFMQAアルゴリズムを導入しました。
さらに, 物理, 化学, 材料科学, 社会科学など様々な分野におけるFMQAアルゴリズムの適用例を概観する。
これらの成功例には、バイナリと整数の最適化問題や、グラフ、ネットワーク、文字列を含むより一般的な最適化問題が含まれる。
我々は、FMQAアルゴリズムを用いたBBOが、量子アニールを含むIMにおいて重要な技術になると信じている。
関連論文リスト
- Reinforced In-Context Black-Box Optimization [64.25546325063272]
RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。
RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。
提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
論文 参考訳（メタデータ） (2024-02-27T11:32:14Z) - Quantum Computing for MIMO Beam Selection Problem: Model and Optical
Experimental Solution [4.990043560632826]
本研究は, 実用的な5G演算への大きな期待を示し, 通信における計算困難問題の解法における量子コンピューティングの適用を促進する。
大規模マルチインプット・マルチアウトプット(MIMO)は、データレートの向上、信号品質の向上、課題のある環境でのカバレッジ向上などにより、近年広く普及している。
論文 参考訳（メタデータ） (2023-10-19T00:12:20Z) - Decreasing the Computing Time of Bayesian Optimization using
Generalizable Memory Pruning [56.334116591082896]
本稿では,任意のサロゲートモデルと取得関数で使用可能なメモリプルーニングとバウンダリ最適化のラッパーを示す。
BOを高次元または大規模データセット上で実行することは、この時間の複雑さのために難解になる。
すべてのモデル実装はMIT Supercloudの最先端コンピューティングハードウェア上で実行される。
論文 参考訳（メタデータ） (2023-09-08T14:05:56Z) - Implementation of Trained Factorization Machine Recommendation System on
Quantum Annealer [9.199971808336006]
ファクトリゼーションマシン(FM)は、リコメンデーションシステムを構築するのに最もよく使われるモデルである。
ランタイムは$O((N_m log N_m)2)$で、$N_m$はデータセット内のアイテムの数である。
論文 参考訳（メタデータ） (2022-10-24T04:56:47Z) - Bayesian Optimization for Macro Placement [48.55456716632735]
本研究では,系列対上のベイズ最適化(BO)を用いた新しいマクロ配置法を提案する。
BOは確率的代理モデルと獲得関数を利用する機械学習技術である。
固定アウトラインマクロ配置問題に対して, 半周波線長目標を用いたアルゴリズムを実証する。
論文 参考訳（メタデータ） (2022-07-18T06:17:06Z) - Lossy compression of matrices by black-box optimisation of mixed-integer
non-linear programming [1.1066593559733056]
エッジコンピューティングでは、データサイズを抑制することは、自律運転のような複雑なタスクを実行する機械学習モデルの課題である。
行列データの効率的な損失圧縮は、それを整数と実行列の積に分解することで実現されている。
本稿では,最近開発された整数変数に対するIsingソルバを用いたブラックボックス最適化アルゴリズムを利用して,この最適化を改善する。
論文 参考訳（メタデータ） (2022-04-22T08:58:36Z) - 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) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Efficient Automatic CASH via Rising Bandits [37.09843193057032]
CASH問題に対する交互最適化フレームワークを提案する。
また、CASHのアルゴリズム選択をモデル化するために、CASH指向のマルチアーマドバンド(MAB)バリアントであるRising Banditsも紹介します。
このフレームワークは、HPO問題を解決するBOとアルゴリズムの選択を加速するMABの両方の利点を利用することができる。
論文 参考訳（メタデータ） (2020-12-08T11:29:57Z) - TIGER: Topology-aware Assignment using Ising machines Application to
Classical Algorithm Tasks and Quantum Circuit Gates [2.4047296366832307]
ゲートベースの量子コンピューティングでは、トポロジー的な方法でタスクをゲートにマップすることを目的とするマッピング問題が存在する。
既存のタスクアプローチは、物理最適化アルゴリズムのいずれかに基づいており、異なるスピードとソリューション品質のトレードオフを提供する。
本稿では,Ising マシンを用いてトポロジ対応の代入問題を解くアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-21T19:46:59Z)
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。