論文の概要: Quantum-Circuit Framework for Two-Stage Stochastic Programming via QAOA Integrated with a Quantum Generative Neural Network

• arxiv url: http://arxiv.org/abs/2512.22434v1
• Date: Sat, 27 Dec 2025 02:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.050254
• Title: Quantum-Circuit Framework for Two-Stage Stochastic Programming via QAOA Integrated with a Quantum Generative Neural Network
• Title（参考訳）: 量子生成ニューラルネットワークと統合されたQAOAによる2段階確率計画のための量子回路フレームワーク
• Authors: Taihei Kuroiwa, Daiki Yamazaki, Keita Takahashi, Kodai Shiba, Chih-Chieh Chen, Tomah Sogabe,
• Abstract要約: 2段階プログラミングは、しばしば不確実性をシナリオに識別するが、シナリオはシナリオ数において少なくとも線形にrecourse予測評価尺度を作成する。 本稿では,事前学習した逆数ネットワークがシナリオ分布を符号化する量子回路統合ワークフローを提案する。
• 参考スコア（独自算出の注目度）: 1.7240671897505615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-stage stochastic programming often discretizes uncertainty into scenarios, but scenario enumeration makes expected recourse evaluation scale at least linearly in the scenario count. We propose qGAN-QAOA, a unified quantum-circuit workflow in which a pre-trained quantum generative adversarial network encodes the scenario distribution and QAOA optimizes first-stage decisions by minimizing the full two-stage objective, including expected recourse cost. With the qGAN parameters fixed after training, we evaluate the objective as the expectation value of a problem Hamiltonian and optimize only the QAOA variational parameters. We interpret non-anticipativity as a condition on measurement outcome statistics and prove that the first-stage measurement marginal is independent of the scenario. For uniformly discretized uncertainty, the diagonal operator encoding the uncertainty admits a sparse Pauli-Z expansion via the Walsh--Hadamard transform, yielding polylogarithmic scaling of gate count and circuit depth with the number of scenarios. Numerical experiments on the stochastic unit commitment problem (UCP) with photovoltaic (PV) uncertainty compare the expected cost of the proposed method with classical expected-value and two-stage stochastic programming baselines, demonstrating the effectiveness of qGAN-QAOA as a two-stage decision model.
• Abstract（参考訳）: 2段階確率プログラミングは、しばしばシナリオに不確実性を識別するが、シナリオ列挙は、シナリオ数において少なくとも少なくとも線形に、予測されたrecourse評価をスケールさせる。 そこで我々は,QGAN-QAOAを提案する。QGAN-QAOAは,事前学習された量子生成逆数ネットワークがシナリオ分布を符号化し,QAOAが期待されるリコースコストを含む2段階の目標を最小化して第1段階の決定を最適化する,統一量子回路ワークフローである。 学習後のQGANパラメータを固定することにより、目的をハミルトニアン問題の期待値として評価し、QAOA変分パラメータのみを最適化する。 我々は,非予測性を測定結果統計の条件として解釈し,第1段階の測定限界がシナリオに依存しないことを証明する。 不確かさを符号化する対角作用素は、ウォルシュ・アダマール変換を介して粗いパウリ-Z展開を許容し、ゲート数と回路深さをシナリオ数で多対数スケーリングする。 太陽光発電(PV)の不確実性を伴う確率的単位コミットメント問題(UCP)に関する数値実験は、提案手法の期待されるコストを古典的な期待値と2段階の確率的プログラミングベースラインと比較し、2段階決定モデルとしてのqGAN-QAOAの有効性を実証した。

関連論文リスト

• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Calculating the expected value function of a two-stage stochastic optimization program with a quantum algorithm [0.0]
  2段階プログラミングは不確実性の下での意思決定における問題定式化である。 この研究は量子アルゴリズムを用いて、期待値関数をスピードアップで推定する。
  論文  参考訳（メタデータ） (2024-02-23T00:07:34Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Bayesian sequential design of computer experiments for quantile set inversion [0.0]
  複素数値シミュレータのようなシステムを表現する未知の多変量関数を考える。 我々の目的は、確率が与えられた閾値未満の出力につながる決定論的入力のセットを推定することである。
  論文  参考訳（メタデータ） (2022-11-02T10:14:05Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。