論文の概要: Quantum-Efficient Reinforcement Learning Solutions for Last-Mile On-Demand Delivery
- arxiv url: http://arxiv.org/abs/2508.09183v1
- Date: Thu, 07 Aug 2025 13:50:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.587873
- Title: Quantum-Efficient Reinforcement Learning Solutions for Last-Mile On-Demand Delivery
- Title（参考訳）: ラストミルオンデスマンドデリバリのための量子効率のよい強化学習ソリューション
- Authors: Farzan Moosavi, Bilal Farooq,
- Abstract要約: 時間Windowsを用いた大規模キャパシタイトピックアップ・デリバリ問題の解法を量子コンピューティングで検討する。
エンタングル層と変分層を有する新しい問題固有符号化量子回路を提案する。
- 参考スコア（独自算出の注目度）: 4.378407481656902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computation has demonstrated a promising alternative to solving the NP-hard combinatorial problems. Specifically, when it comes to optimization, classical approaches become intractable to account for large-scale solutions. Specifically, we investigate quantum computing to solve the large-scale Capacitated Pickup and Delivery Problem with Time Windows (CPDPTW). In this regard, a Reinforcement Learning (RL) framework augmented with a Parametrized Quantum Circuit (PQC) is designed to minimize the travel time in a realistic last-mile on-demand delivery. A novel problem-specific encoding quantum circuit with an entangling and variational layer is proposed. Moreover, Proximal Policy Optimization (PPO) and Quantum Singular Value Transformation (QSVT) are designed for comparison through numerical experiments, highlighting the superiority of the proposed method in terms of the scale of the solution and training complexity while incorporating the real-world constraints.
- Abstract（参考訳）: 量子計算はNP-ハード組合せ問題の解法に代わる有望な方法を示している。
特に、最適化に関して言えば、古典的なアプローチは大規模ソリューションを考慮に入れるには難しくなる。
具体的には,時間Windows(CPDPTW)を用いた大規模キャパシタイトピックアップ・デリバリ問題(Capacitated Pickup and Delivery Problem with Time Windows)を解決するために,量子コンピューティングについて検討する。
この点において、PQC(Parametrized Quantum Circuit)を付加した強化学習(Reinforcement Learning, RL)フレームワークは、現実的なラストマイルオンデマンドデリバリにおける移動時間を最小化するように設計されている。
エンタングル層と変分層を有する新しい問題固有符号化量子回路を提案する。
さらに,PPOと量子特異値変換(QSVT)を数値実験により比較するために設計し,実世界の制約を取り入れつつ,解のスケールと学習の複雑さの観点から,提案手法の優位性を強調した。
関連論文リスト
- i-QLS: Quantum-supported Algorithm for Least Squares Optimization in Non-Linear Regression [4.737806718785056]
繰り返し量子支援最小二乗(i-QLS)最適化法を提案する。
従来の量子最小二乗アプローチのスケーラビリティと精度の限界を克服する。
実験では、i-QLSにより、短期量子ハードウェアが精度とスケーラビリティを改善して回帰タスクを実行できることを確認した。
論文 参考訳（メタデータ） (2025-05-05T17:02:35Z) - A Comparative Study of Quantum Optimization Techniques for Solving Combinatorial Optimization Benchmark Problems [4.266376725904727]
本稿では,NP-hard問題に対する量子最適化手法の評価を目的とした,包括的なベンチマークフレームワークを提案する。
本フレームワークは,多次元クナップサック問題(MDKP),最大独立集合(MIS),二次割当問題(QAP),市場シェア問題(MSP)など,主要な課題に重点を置いている。
論文 参考訳（メタデータ） (2025-03-15T13:02:22Z) - Parallel Quantum Local Search via Evolutionary Mechanism [0.9208007322096533]
小型量子コンピュータの能力を活用した並列量子局所探索(PQLS)手法を提案する。
我々のアプローチは、複数のQLS経路を同時に実行し、ある間隔で最も効果的な結果を集約して世代を確立することで、この制約を超越する」。
本研究は,Ising問題の解決における並列量子コンピューティングの深い影響を示すものである。
論文 参考訳（メタデータ） (2024-06-10T16:35:52Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。
提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文 参考訳（メタデータ） (2023-04-18T11:57:15Z) - A Quantum Approach for Stochastic Constrained Binary Optimization [2.6803492658436032]
量子ベースのアルゴリズムは、難しい問題に対する高品質な解を生成することが示されている。
この研究は、二進二乗制約プログラムに対処する量子ベクトルを提示する。
この手法は二重分解に基づいて構築され、規則的に修正された標準VQEタスクの順序を解く必要がある。
論文 参考訳（メタデータ） (2023-01-04T04:24:26Z) - Quantum-inspired optimization for wavelength assignment [51.55491037321065]
波長割当問題を解くための量子インスピレーションアルゴリズムを提案し,開発する。
本研究は,電気通信における現実的な問題に対する量子インスパイアされたアルゴリズムの活用の道筋をたどるものである。
論文 参考訳（メタデータ） (2022-11-01T07:52:47Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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) - 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)
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。