論文の概要: Meta-Learning for Quantum Optimization via Quantum Sequence Model
- arxiv url: http://arxiv.org/abs/2512.05058v1
- Date: Thu, 04 Dec 2025 18:13:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:46.312327
- Title: Meta-Learning for Quantum Optimization via Quantum Sequence Model
- Title（参考訳）: 量子シーケンスモデルによる量子最適化のためのメタラーニング
- Authors: Yu-Cheng Lin, Yu-Chao Hsu, Samuel Yen-Chi Chen,
- Abstract要約: その結果,QK-LSTMは高い性能を示し,高い近似比を示し,学習速度が13。
これはカーネルのパワーを過小評価し、その効果を過小評価する。
- 参考スコア（独自算出の注目度）: 14.766654275662589
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Quantum Approximate Optimization Algorithm (QAOA) is a leading approach for solving combinatorial optimization problems on near-term quantum processors. However, finding good variational parameters remains a significant challenge due to the non-convex energy landscape, often resulting in slow convergence and poor solution quality. In this work, we propose a quantum meta-learning framework that trains advanced quantum sequence models to generate effective parameter initialization policies. We investigate four classical or quantum sequence models, including the Quantum Kernel-based Long Short-Term Memory (QK-LSTM), as learned optimizers in a "learning to learn" paradigm. Our numerical experiments on the Max-Cut problem demonstrate that the QK-LSTM optimizer achieves superior performance, obtaining the highest approximation ratios and exhibiting the fastest convergence rate across all tested problem sizes (n=10 to 13). Crucially, the QK-LSTM model achieves perfect parameter transferability by synthesizing a single, fixed set of near-optimal parameters, leading to a remarkable sustained acceleration of convergence even when generalizing to larger problems. This capability, enabled by the compact and expressive power of the quantum kernel architecture, underscores its effectiveness. The QK-LSTM, with only 43 trainable parameters, substantially outperforms the classical LSTM (56 parameters) and other quantum sequence models, establishing a robust pathway toward highly efficient parameter initialization for variational quantum algorithms in the NISQ era.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、短期量子プロセッサにおける組合せ最適化問題を解くための主要な手法である。
しかしながら、良い変動パラメータを見つけることは、非凸エネルギーの展望のために重要な課題であり、しばしば収束が遅く、解の質が劣る。
そこで本研究では,高度な量子シーケンスモデルをトレーニングし,効果的なパラメータ初期化ポリシを生成する量子メタラーニングフレームワークを提案する。
量子カーネルをベースとしたLong Short-Term Memory (QK-LSTM) を含む4つの古典的あるいは量子的シーケンスモデルについて,"学習する"パラダイムの学習オプティマイザとして検討する。
以上の結果から,QK-LSTMオプティマイザは高い近似比を得ることができ,全てのテストされた問題サイズ (n=10～13) に対して最も高速な収束率を示す。
重要なことに、QK-LSTMモデルは1つの固定された準最適パラメータの集合を合成することで完全なパラメータ転送性を達成する。
この能力は量子カーネルアーキテクチャのコンパクトで表現力によって実現され、その効果を裏付けている。
43のトレーニング可能なパラメータしか持たないQK-LSTMは、古典的なLSTM(56のパラメータ)や他の量子シーケンスモデルよりも大幅に優れており、NISQ時代の変分量子アルゴリズムの高効率なパラメータ初期化に向けた堅牢な経路を確立している。
関連論文リスト
- TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE [5.396660696277483]
我々はLong Short-Term Memory Neural Networkを用いて量子化学シミュレーションを高速化する。
LSTMを小さな分子から最適化されたパラメータで訓練することにより、モデルはより大きなシステムに対する高品質な初期化を予測することを学ぶ。
論文 参考訳（メタデータ） (2025-05-16T04:19:00Z) - Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。
我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
論文 参考訳（メタデータ） (2025-05-01T14:39:26Z) - Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。
我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。
適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
論文 参考訳（メタデータ） (2025-01-10T12:07:00Z) - ML-QLS: Multilevel Quantum Layout Synthesis [6.706813469929441]
ML-QLSは、新しいコスト関数とクラスタリング戦略を統合したスケーラブルな改善操作を備えた、最初のマルチレベル量子レイアウトツールである。
実験の結果,ML-QLSは数百の量子ビットを含む問題にスケールアップでき,大規模回路用QLSツールよりも優れた52%の性能向上を達成できることがわかった。
論文 参考訳（メタデータ） (2024-05-28T17:10:20Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z) - 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)
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。