論文の概要: Evaluating the Limits of QAOA Parameter Transfer at High-Rounds on Sparse Ising Models With Geometrically Local Cubic Terms
- arxiv url: http://arxiv.org/abs/2509.13528v1
- Date: Tue, 16 Sep 2025 20:48:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 18:41:50.649542
- Title: Evaluating the Limits of QAOA Parameter Transfer at High-Rounds on Sparse Ising Models With Geometrically Local Cubic Terms
- Title（参考訳）: 幾何学的局所立方体項を持つスパースアイシングモデルによる高域におけるQAOAパラメータ移動限界の評価
- Authors: Elijah Pelofske, Marek Rams, Andreas Bärtschi, Piotr Czarnik, Paolo Braccia, Lukasz Cincio, Stephan Eidenbenz,
- Abstract要約: 本稿では,QAOA角探索のための高効率でスケーラブルな非変分学習手法を提案する。
重み付きグラフIsingモデルに対して、小さなJuli問題から大きな問題インスタンス(最大156キュービット)へのQAOAパラメータ転送性について検討する。
また、いくつかの超伝導量子ビットIBM量子プロセッサ上の固定QAOA角のアンサンブルを用いて、ハードウェア互換のIsingモデルをサンプリングした。
- 参考スコア（独自算出の注目度）: 2.8026862656811358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emergent practical applicability of the Quantum Approximate Optimization Algorithm (QAOA) for approximate combinatorial optimization is a subject of considerable interest. One of the primary limitations of QAOA is the task of finding a set of good parameters. Parameter transfer is a phenomenon where QAOA angles trained on problem instances that are self-similar tend to perform well for other problem instances from that similar class. This suggests a potentially highly efficient and scalable non-variational learning method for QAOA angle finding. We systematically study QAOA parameter transferability from small problems (16, 27 qubits) onto large problem instances (up to 156 qubits) for heavy-hex graph Ising models with geometrically local higher order terms using the Julia based QAOA simulation tool JuliQAOA to perform classical angle finding for up to 49 QAOA layers. Parameter transfer of the fixed angles is validated using a combination of full statevector, Projected Entangled Pair States, Matrix Product State, and LOWESA numerical simulations. We find that the QAOA parameter transfer from single instances applied to unseen problem instances does not in general provide monotonically improving performance as a function of p - there are many cases where the performance temporarily decreases as a function of p - but despite this the transferred angles have a general trend of improved expectation value as the QAOA depth increases, in many cases converging close to the true ground-state energy of the 100+ qubit instances. We also sample the hardware-compatible Ising models using the ensemble of fixed QAOA angles on several superconducting qubit IBM Quantum processors with 127, 133, and 156 qubits. We find continuous solution quality improvement of the hardware-compatible QAOA circuits run on the IBM NISQ processors up to p=5 on ibm_fez, p=9 on ibm_torino, and p=10 on ibm_pittsburgh.
- Abstract（参考訳）: 近似組合せ最適化のための量子近似最適化アルゴリズム(QAOA)の創発的な実用性は、かなりの関心を集めている。
QAOAの主な制限の1つは、良いパラメータの集合を見つけることである。
パラメータ転送は、自己相似な問題インスタンスで訓練されたQAOA角が、類似したクラスからの他の問題インスタンスに対してうまく機能する傾向にある現象である。
このことは、QAOA角探索のための潜在的に効率的でスケーラブルな非変分学習法を示唆している。
そこで本研究では,JuliaベースのQAOAシミュレーションツールJuliQAOAを用いて,幾何的に局所的に高次項を持つモデルを用いて,QAOAのパラメータ転送可能性について検討し,最大49QAOA層に対して古典的な角度探索を行う。
固定角のパラメータ移動は、全状態ベクトル、射影エンタングルペア状態、行列積状態、LOWESA数値シミュレーションの組み合わせを用いて検証される。
一方,QAOAのパラメータ転送は,QAOAの深さが大きくなるにつれて期待値が向上する傾向にあるが,100以上の量子ビットインスタンスの真の基底状態エネルギーに近づいた場合が多く,pの関数として性能が一時的に低下するケースが多数存在する。
また,127,133,156量子ビットの超伝導量子プロセッサ上で,固定QAOA角のアンサンブルを用いてハードウェア互換Isingモデルをサンプリングした。
ibm_fezではp=5、ibm_torinoではp=9、ibm_pittsburghではp=10となる。
関連論文リスト
- An Optimization-Free Recursive QAOA for the Binary Paint Shop Problem [0.0]
BPSP(Binary Paint Shop Problem)は、自動車間の色の変化を最小限に抑えつつ、一定の制約の下で車列を塗装しなければならない製造における最適化問題である。
パラメータ転送はQAOAとRQAOAの最適化よりも解の質が著しく低下しないことを示す。
RQAOAはフルステートベクターの代わりに$Z$-correlationsを計測することしか必要とせず、CNOT数と深さが著しく低い回路につながる逆カソーサルコーンの利点がある。
論文 参考訳（メタデータ） (2025-07-15T01:54:11Z) - Universal Resources for QAOA and Quantum Annealing [41.94295877935867]
多層QAOA回路の角度は普遍的なQA軌道に収束する。
QAOA回路とQA経路の誤差は擬ボルツマン確率分布における熱励起として働く。
論文 参考訳（メタデータ） (2025-06-03T18:00:00Z) - Evidence of Scaling Advantage for the Quantum Approximate Optimization Algorithm on a Classically Intractable Problem [8.738180371389097]
量子近似最適化アルゴリズム(QAOA)は、量子コンピュータにおける最適化問題を解くための主要な候補アルゴリズムである。
本稿では,低自己相関二項列(LABS)問題に対するQAOAの広範な数値的な検討を行う。
パラメータが固定されたQAOAのランタイムは、分岐とバウンドの解法よりも良くスケールする。
論文 参考訳（メタデータ） (2023-08-04T14:17:21Z) - Qubit efficient quantum algorithms for the vehicle routing problem on
NISQ processors [48.68474702382697]
時間窓付き車両ルーティング問題(VRPTW)は、ロジスティクス業界で直面する一般的な最適化問題である。
そこで本研究では,以前に導入した量子ビット符号化方式を用いて,バイナリ変数の数を削減した。
論文 参考訳（メタデータ） (2023-06-14T13:44:35Z) - Alignment between Initial State and Mixer Improves QAOA Performance for
Constrained Optimization [11.445200448951072]
量子交互演算子 ansatz (QAOA) は断熱アルゴリズムと強い関係を持つ。
本稿では, 断熱アルゴリズムの直感がQAOA初期状態を選択するタスクに適用できることを実証する。
論文 参考訳（メタデータ） (2023-05-05T21:54:28Z) - Quantum Annealing vs. QAOA: 127 Qubit Higher-Order Ising Problems on
NISQ Computers [0.0]
QAOA(Quantum Alternating Operator Ansatz)は、最適化問題の最適解を目的とした量子アルゴリズムである。
我々は、D-Waveハードウェア上のQAとIBMQハードウェア上のQAOAの厳密な比較を実装した。
QAがすべての問題インスタンスでQAOAを上回っていることが分かりました。
論文 参考訳（メタデータ） (2023-01-02T04:19:46Z) - 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) - General Hamiltonian Representation of ML Detection Relying on the
Quantum Approximate Optimization Algorithm [74.6114458993128]
最適化問題を解くために考案された量子近似最適化アルゴリズム(QAOA)は、既存のノイズのある中間スケール量子(NISQ)デバイス上で実行することができる。
我々は、QAOAを適切に適応させることにより、一般星座の最大可能性(ML)検出問題を解く。
特に、M-ary Gray-mapped Quarature amplitude modulation (MQAM) 星座では、同相成分をコードする特定の量子ビットと二次成分をコードする量子ビットが、興味のある量子系において独立であることを示す。
論文 参考訳（メタデータ） (2022-04-11T14:11:24Z) - 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)
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。