論文の概要: Tensor Network Assisted Distributed Variational Quantum Algorithm for Large Scale Combinatorial Optimization Problem

• arxiv url: http://arxiv.org/abs/2601.13956v1
• Date: Tue, 20 Jan 2026 13:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.32848
• Title: Tensor Network Assisted Distributed Variational Quantum Algorithm for Large Scale Combinatorial Optimization Problem
• Title（参考訳）: 大規模組合せ最適化問題に対するテンソルネットワーク支援分散変分量子アルゴリズム
• Authors: Yuhan Huang, Siyuan Jin, Yichi Zhang, Qi Zhao, Jun Qi, Qiming Shao,
• Abstract要約: 組合せ最適化問題の解法として分散変分量子アルゴリズム(DVQA)を提案する。 DVQAの重要な革新は、複雑な長距離の絡み合いに頼ることなく、変数間の依存関係を保存するために、切り詰められた高階特異値分解を使用することである。 実験的に、DVQAはシミュレーションの最先端性能を達成し、ポートフォリオ最適化のためにWu Kong量子コンピュータで実験的に検証されている。
• 参考スコア（独自算出の注目度）: 19.046113542182436
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although quantum computing holds promise for solving Combinatorial Optimization Problems (COPs), the limited qubit capacity of NISQ hardware makes large-scale instances intractable. Conventional methods attempt to bridge this gap through decomposition or compression, yet they frequently fail to capture global correlations of subsystems, leading to solutions of limited quality. We propose the Distributed Variational Quantum Algorithm (DVQA) to overcome these limitations, enabling the solution of 1,000-variable instances on constrained hardware. A key innovation of DVQA is its use of the truncated higher-order singular value decomposition to preserve inter-variable dependencies without relying on complex long-range entanglement, leading to a natural form of noise localization where errors scale with subsystem size rather than total qubit count, thus reconciling scalability with accuracy. Theoretical bounds confirm the algorithm's robustness for p-local Hamiltonians. Empirically, DVQA achieves state-of-the-art performance in simulations and has been experimentally validated on the Wu Kong quantum computer for portfolio optimization. This work provides a scalable, noise-resilient framework that advances the timeline for practical quantum optimization algorithms.
• Abstract（参考訳）: 量子コンピューティングは組合せ最適化問題(COP)の解決を約束するが、NISQハードウェアの量子ビット容量に制限があるため、大規模インスタンスは難易度が高い。 従来の手法では、分解や圧縮によってこのギャップを埋めようとするが、しばしばサブシステムのグローバルな相関を捉えず、限られた品質の解に繋がる。 本研究では,これらの制約を克服するために分散変分量子アルゴリズム (DVQA) を提案する。 DVQAの重要な革新は、複雑な長距離絡み合いに頼らずに、変数間の依存関係を保存するために、切り詰められた高階特異値分解を使用することである。 理論的境界は、p-局所ハミルトン多様体に対するアルゴリズムの堅牢性を確認する。 実験的に、DVQAはシミュレーションの最先端性能を達成し、ポートフォリオ最適化のためにWu Kong量子コンピュータで実験的に検証されている。 この作業は、実用的な量子最適化アルゴリズムのタイムラインを前進させるスケーラブルで耐雑音性のあるフレームワークを提供する。

関連論文リスト

• Quantum Circuit-Based Adaptation for Credit Risk Analysis [27.308408027453012]
  NISQ(Noisy and Intermediate-Scale Quantum)は、ノイズに敏感で、量子デコヒーレンスの傾向があり、フォールトトレラント量子計算のための連続的な量子エラー補正がまだできないプロセッサである。 超伝導量子処理ユニット上のハードウェア対応変分量子回路が、特定のユースケースのCredit Risk Analysisに関係のある分布をモデル化する方法を実験的に検討した。
  論文  参考訳（メタデータ） (2026-01-11T11:17:37Z)
• Modular Quantum Amplitude Estimation: A Scalable and Adaptive Framework [0.0]
  本稿では,AWQAE(Adaptive Windowed Quantum Amplitude Estimation)フレームワークを紹介する。 これはモジュラーでスケーラブルで適応的なアプローチであり、単一の回路に必要な物理量子ビットの数から推定精度を分離する。 AWQAEは、リソース制約のある量子ハードウェア上で高精度QAEを実行するための強力で柔軟なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-07T19:19:11Z)
• Quantum-Efficient Reinforcement Learning Solutions for Last-Mile On-Demand Delivery [1.8262547855491453]
  時間Windowsを用いた大規模キャパシタイトピックアップ・デリバリ問題の解法を量子コンピューティングで検討する。 エンタングル層と変分層を有する新しい問題固有符号化量子回路を提案する。
  論文  参考訳（メタデータ） (2025-08-07T13:50:43Z)
• Branch-and-bound digitized counterdiabatic quantum optimization [39.58317527488534]
  分岐とバウンドのアルゴリズムは、厳密な下界を得るために目的関数の緩和に依存する凸最適化問題を効果的に解く。 本稿では,緩和困難に対処する分枝・分枝・分枝・分枝・分枝対応量子最適化法 (BB-DCQO) を提案する。
  論文  参考訳（メタデータ） (2025-04-21T18:19:19Z)
• Bias-field digitized counterdiabatic quantum optimization [39.58317527488534]
  我々はこのプロトコルをバイアス場デジタルダイアバティック量子最適化(BF-DCQO)と呼ぶ。 私たちの純粋に量子的なアプローチは、古典的な変分量子アルゴリズムへの依存を排除します。 基底状態の成功確率のスケーリング改善を実現し、最大2桁まで増大する。
  論文  参考訳（メタデータ） (2024-05-22T18:11:42Z)
• Scaling Up the Quantum Divide and Conquer Algorithm for Combinatorial Optimization [0.8121127831316319]
  本稿では,デバイス間通信コストを大幅に削減する量子回路の構築手法を提案する。 そこで本研究では,従来のQDCA手法の約3倍の大きさのトラクタブル回路を構築できることを示す。
  論文  参考訳（メタデータ） (2024-05-01T20:49:50Z)
• A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
  本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。 私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。 実際の量子コンピュータを用いて得られた結果について述べる。
  論文  参考訳（メタデータ） (2022-01-25T05:59:24Z)
• 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)
• Quantum constraint learning for quantum approximate optimization algorithm [0.0]
  本稿では,探索部分空間を厳しく制約するミキサーハミルトンを学習するための量子機械学習手法を提案する。 学習したユニタリを直接適応可能なアンサッツを使用してQAOAフレームワークにプラグインすることができる。 また,Wasserstein距離を用いた近似最適化アルゴリズムの性能を,制約なしで評価する直感的計量法を開発した。
  論文  参考訳（メタデータ） (2021-05-14T11:31:14Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。