論文の概要: Dynamic Depth Quantum Approximate Optimization Algorithm for Solving Constrained Shortest Path Problem
- arxiv url: http://arxiv.org/abs/2511.08657v1
- Date: Thu, 13 Nov 2025 01:01:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.180551
- Title: Dynamic Depth Quantum Approximate Optimization Algorithm for Solving Constrained Shortest Path Problem
- Title（参考訳）: 制約された最短経路問題の解法における動的深さ量子近似最適化アルゴリズム
- Authors: Rakesh Saini, Nora Mohamed, Saif Al-Kuwari, Ahmed Farouk,
- Abstract要約: 動的深度量子近似最適化アルゴリズム(DDQAOA)と呼ばれるQAOAの変種を導入する。
本手法は,p = 1 から p = 10 までの回路深度を適応的に拡張し,学習パラメータを収束基準に基づいてより深い回路に転送する。
DDQAOAは,P=3,5,10,15の標準QAOAよりもCNOTゲート評価が少ないほど優れた近似比と成功確率を得た。
- 参考スコア（独自算出の注目度）: 2.6276526932487276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Quantum Approximate Optimization Algorithm (QAOA) has emerged as a promising approach for solving NP hard combinatorial optimization problems on noisy intermediate-scale quantum (NISQ) hardware. However, its performance is critically dependent on the selection of the circuit depth a parameter that must be specified a priori without clear guidance. In this paper, we introduce a variant of QAOA called dynamic depth Quantum Approximate Optimization Algorithm (DDQAOA) that resolves the challenge of pre selecting a fixed circuit depth. Our method adaptively expands circuit depth, starting from p = 1 and progressing up to p = 10, by transferring learned parameters to deeper circuits based on convergence criteria. We tested this approach on 100 instances of the Constrained Shortest Path Problem (CSPP) at 10 qubit and 16 qubit scales. Our DDQAOA achieved superior approximation ratios and success probabilities with fewer CNOT gate evaluations than the standard QAOA for p = 3, 5, 10, and 15. In particular, while standard QAOA at p = 15 achieved results close to our approach, it used 217% and 159.3% more CNOT gates for 10 qubit and 16 qubit instances, respectively. This demonstrates the performance and practical applicability of DDQAOA to solve combinatorial optimization problems on near term devices.
- Abstract（参考訳）: The Quantum Approximate Optimization Algorithm (QAOA) has appeared as a promising approach for solve NP hard combinatorial optimization problem on noisy intermediate-scale quantum (NISQ) hardware。
しかし、その性能は回路深度の選択に大きく依存しており、明確なガイダンスなしで事前指定する必要がある。
本稿では,固定回路深度を予め選択するという課題を解決するために,動的深度量子近似最適化アルゴリズム(DDQAOA)と呼ばれるQAOAの変種を導入する。
本手法は,p = 1 から p = 10 までの回路深度を適応的に拡張し,学習パラメータを収束基準に基づいてより深い回路に転送する。
提案手法は,10 qubit と 16 qubit スケールの Constrained Shortest Path Problem (CSPP) の100 事例で検証した。
DDQAOAは,P=3,5,10,15の標準QAOAよりもCNOTゲート評価が少なく,高い近似比と成功確率を達成できた。
特に、p = 15の標準QAOAは我々のアプローチに近い結果を得たが、それぞれ10量子ビットと16量子ビットのインスタンスに対して217%と159.3%のCNOTゲートを使用した。
これはDDQAOAの性能と実用性を示し、近距離デバイスにおける組合せ最適化問題を解く。
関連論文リスト
- 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) - Variational quantum algorithm-preserving feasible space for solving the
uncapacitated facility location problem [3.3682090109106446]
本稿では,変分量子アルゴリズムで実現可能な空間(VQA-PFS)アンサッツを提案する。
このアンザッツは制約変数に混合演算子を適用し、非制約変数にハードウェア効率アンザッツ(HEA)を用いる。
その結果, VQA-PFSは成功確率を著しく向上し, より高速な収束を示すことがわかった。
論文 参考訳（メタデータ） (2023-12-12T01:36:49Z) - Trainability Analysis of Quantum Optimization Algorithms from a Bayesian
Lens [2.9356265132808024]
雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。
この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
論文 参考訳（メタデータ） (2023-10-10T02:56:28Z) - A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。
この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。
我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
論文 参考訳（メタデータ） (2023-06-15T15:28:12Z) - 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) - Multi-angle Quantum Approximate Optimization Algorithm [0.2609784101826761]
回路深度を低減し,近似比を向上するQAOA用多角アンサッツを提案する。
この新たなアンザッツは、QAOA上のMaxCutインスタンスの無限族に対する近似比を33%増加させる。
その結果,QAOAはQAOAよりも細い回路を必要とすることが明らかとなった。
論文 参考訳（メタデータ） (2021-09-23T15:57:49Z) - Parameters Fixing Strategy for Quantum Approximate Optimization
Algorithm [0.0]
そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。
我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
論文 参考訳（メタデータ） (2021-08-11T15:44:16Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Lower Bounds on Circuit Depth of the Quantum Approximate Optimization
Algorithm [0.3058685580689604]
回路深度に対する下位境界の同定に問題インスタンスの構造を用いる方法を示す。
我々は、MaxCut、MaxIndSet、およびVertex CoveringおよびBoolean satisifiabilityのいくつかのケースがQAOAアプローチに適していると主張している。
論文 参考訳（メタデータ） (2020-08-04T20:52:34Z) - Improving the Performance of Deep Quantum Optimization Algorithms with
Continuous Gate Sets [47.00474212574662]
変分量子アルゴリズムは計算的に難しい問題を解くのに有望であると考えられている。
本稿では,QAOAの回路深度依存性能について実験的に検討する。
この結果から, 連続ゲートセットの使用は, 短期量子コンピュータの影響を拡大する上で重要な要素である可能性が示唆された。
論文 参考訳（メタデータ） (2020-05-11T17:20:51Z) - Cross Entropy Hyperparameter Optimization for Constrained Problem
Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。
このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。
本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文 参考訳（メタデータ） (2020-03-11T13:52:41Z)
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。