論文の概要: Quadratic Continuous Quantum Optimization

• arxiv url: http://arxiv.org/abs/2512.24759v1
• Date: Wed, 31 Dec 2025 10:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.619178
• Title: Quadratic Continuous Quantum Optimization
• Title（参考訳）: 二次連続量子最適化
• Authors: Sascha Mücke, Thore Gerlach, Nico Piatkowski,
• Abstract要約: 量子アナライザはQUBO問題を効率的に解くことができるが、回帰のような連続的な最適化タスクには苦労する。 QUBOインスタンスのシーケンスを通じて、制約のないプログラムに対する解を近似する任意の時間アルゴリズムである、準連続量子最適化(QCQO)を導入する。
• 参考スコア（独自算出の注目度）: 0.9023122463034333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum annealers can solve QUBO problems efficiently but struggle with continuous optimization tasks like regression due to their discrete nature. We introduce Quadratic Continuous Quantum Optimization (QCQO), an anytime algorithm that approximates solutions to unconstrained quadratic programs via a sequence of QUBO instances. Rather than encoding real variables as binary vectors, QCQO implicitly represents them using continuous QUBO weights and iteratively refines the solution by summing sampled vectors. This allows flexible control over the number of binary variables and adapts well to hardware constraints. We prove convergence properties, introduce a step size adaptation scheme, and validate the method on linear regression. Experiments with simulated and real quantum annealers show that QCQO achieves accurate results with fewer qubits, though convergence slows on noisy hardware. Our approach enables quantum annealing to address a wider class of continuous problems.
• Abstract（参考訳）: 量子アナライザはQUBO問題を効率的に解くことができるが、離散的な性質のために回帰のような連続的な最適化タスクに苦労する。 QUBOインスタンスのシーケンスを通じて、制約なしの二次プログラムに対する解を近似する任意の時間アルゴリズムである、Quadratic Continuous Quantum Optimization (QCQO)を導入する。 実変数をバイナリベクトルとして符号化するのではなく、QCQO は連続 QUBO 重みを使って暗黙的にそれらを表現し、サンプルベクトルを和って解を反復的に洗練する。 これにより、バイナリ変数の数を柔軟に制御でき、ハードウェアの制約によく適応できる。 我々は収束特性を証明し、ステップサイズ適応スキームを導入し、線形回帰法を検証した。 シミュレーションおよび実量子アニールを用いた実験により、QCQOはノイズの多いハードウェアでは収束が遅くなるが、より少ないキュービットで正確な結果が得られることが示された。 我々のアプローチは、量子アニールにより、より広範な連続的な問題に対処することができる。

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)
• Polynomial-time Solver of Tridiagonal QUBO, QUDO and Tensor QUDO problems with Tensor Networks [41.94295877935867]
  本稿では,三対角四角形非制約二元最適化問題の解法として量子インスピレーション付きテンソルネットワークアルゴリズムを提案する。 また、直列鎖内の一方の隣り合う相互作用を伴うより一般的な2次非制約離散最適化問題を解く。
  論文  参考訳（メタデータ） (2023-09-19T10:45:15Z)
• 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)
• Q-FW: A Hybrid Classical-Quantum Frank-Wolfe for Quadratic Binary Optimization [44.96576908957141]
  本稿では,量子コンピュータ上での2次線形反復問題を解くために,フランク・ウルフアルゴリズム(Q-FW)に基づく古典量子ハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-23T18:00:03Z)
• 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)
• Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
  3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。 本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。 提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
  論文  参考訳（メタデータ） (2021-07-08T17:59:55Z)
• Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
  形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。 本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
  論文  参考訳（メタデータ） (2021-05-06T17:59:38Z)
• Continuous black-box optimization with quantum annealing and random subspace coding [2.839269856680851]
  ベイズ最適化のようなブラックボックス最適化アルゴリズムは、基礎関数の推論と獲得関数の最適化を交互に行い、未知関数の極端を見つける。 高次元空間では、そのようなアルゴリズムは獲得関数の最適化が困難であるため、性能が劣る。 連続ブラックボックス最適化の難しさを克服するために量子アニールを適用する。
  論文  参考訳（メタデータ） (2021-04-30T06:19:07Z)

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。