論文の概要: LOTUS: Layer-ordered Temporally Unified Schedules For Quantum Approximate Optimization Algorithms
- arxiv url: http://arxiv.org/abs/2601.07851v1
- Date: Fri, 09 Jan 2026 00:53:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:18.868968
- Title: LOTUS: Layer-ordered Temporally Unified Schedules For Quantum Approximate Optimization Algorithms
- Title（参考訳）: LOTUS: 量子近似最適化アルゴリズムのための階層順序付き一時統一スケジューリング
- Authors: Phuong-Nam Nguyen,
- Abstract要約: LOTUSは、高次元カオス探索から低次元力学系へQAOAを再構成するフレームワークである。
提案手法は計算コストを大幅に削減し,パウエル法やSLSQP法よりも90%以上削減できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we introduce LOTUS (Layer-Ordered Temporally-Unified Schedules), which is a framework that restructures QAOA from a high-dimensional, chaotic search into a low-dimensional dynamical system. By replacing independent layer-wise angles with a Hybrid Fourier-Autoregressive (HFA) mapping, LOTUS enforces global temporal coherence while maintaining local flexibility. LOTUS consistently outperforms standard optimizers, achieving up to a $27.2\%$ improvement in expectation values over L-BFGS-B and $20.8\%$ compared with COBYLA. Besides, our proposed method drastically reduces computational costs, requiring over $90\%$ fewer iterations than methods like Powell or SLSQP.
- Abstract（参考訳）: 本稿では,高次元のカオス探索から低次元の動的システムにQAOAを再構成するフレームワークであるLOTUS(Layer-Ordered Temporally-Unified Schedules)を紹介する。
独立層の角度をハイブリッドフーリエ・オートレグレッシブ(HFA)マッピングに置き換えることで、LOTUSは局所的な柔軟性を維持しながら、グローバルな時間的コヒーレンスを強制する。
L-BFGS-Bの予想値が最大27.2 %、COBYLAの20.8 %である。
さらに,提案手法は計算コストを大幅に削減し,パウエル法やSLSQP法よりも90\%以上少ないイテレーションを要した。
関連論文リスト
- FairBatching: Fairness-Aware Batch Formation for LLM Inference [2.0917668141703207]
この研究は、この不公平の根本原因を特定する:時-時-時-(TBT)の非単調性
本稿では,タスクの充足と復号のリソース割り当てを公平に行う新しいシステムであるFair the Prioritizingを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:43:56Z) - Parametrized Multi-Agent Routing via Deep Attention Models [1.0377683220196872]
パラメタライズドシーケンシャル意思決定のためのスケーラブルなディープラーニングフレームワーク(ParaSDM)を提案する。
この設定の重要なサブクラスは、複数のエージェントシステムが最適なルートと位置を同時に決定する必要がある施設と場所(FLPO)である。
これを解決するために、最大エントロピー原理(MEP)と、最短経路ネットワーク(SPN)と呼ばれるニューラルポリシーモデルを統合する。
論文 参考訳（メタデータ） (2025-07-30T02:46:45Z) - VAMO: Efficient Zeroth-Order Variance Reduction for SGD with Faster Convergence [6.574641780732972]
大規模非問題はディープラーニングでは一般的である。
ファーストオーダー(FO)は今日のベースラインとして機能する。
ZOアルゴリズムは計算量とメモリコストを減らす。
VAMOは、より少ない動的メモリ要求でこれらのゲインを達成する。
論文 参考訳（メタデータ） (2025-05-20T05:31:15Z) - Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。
また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。
我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文 参考訳（メタデータ） (2025-02-07T15:57:56Z) - FRUGAL: Memory-Efficient Optimization by Reducing State Overhead for Scalable Training [51.39495282347475]
我々は、新しいメモリ効率最適化フレームワークであるtextbfF$ull-$textbfR$ank $textbfU$pdates with $textbfG$r$textbfA$dient sp$textbfL$ittingを紹介します。
当社のフレームワークは,GaLoreやBAdamなど,さまざまな低ランク更新選択技術と統合することが可能です。
論文 参考訳（メタデータ） (2024-11-12T14:41:07Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。
最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。
提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
論文 参考訳（メタデータ） (2022-06-14T08:14:14Z)
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。