論文の概要: Accelerating Feedback-based Algorithms for Quantum Optimization Using Gradient Descent

• arxiv url: http://arxiv.org/abs/2602.12387v1
• Date: Thu, 12 Feb 2026 20:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.739376
• Title: Accelerating Feedback-based Algorithms for Quantum Optimization Using Gradient Descent
• Title（参考訳）: グラディエントDescentを用いた量子最適化のためのフィードバックベースアルゴリズムの高速化
• Authors: Masih Mozakka, Mohsen Heidari,
• Abstract要約: 量子リアプノフ制御(QLC)は、単調な非減少目標値を保証するフィードバック駆動制御法を用いる。 そこで本研究では,QLCの収束を加速するために,層間勾配推定を組み込んだハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 6.852394426719304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feedback-based methods have gained significant attention as an alternative training paradigm for the Quantum Approximate Optimization Algorithm (QAOA) in solving combinatorial optimization problems such as MAX-CUT. In particular, Quantum Lyapunov Control (QLC) employs feedback-driven control laws that guarantee monotonic non-decreasing objective values, can substantially reduce the training overhead of QAOA, and mitigate barren plateaus. However, these methods might require long control sequences, leading to sub-optimal convergence rates. In this work, we propose a hybrid method that incorporates per-layer gradient estimation to accelerate the convergence of QLC while preserving its low training overhead and stability guarantees. By leveraging layer-wise gradient information, the proposed approach selects near-optimal control parameters, resulting in significantly faster convergence and improved robustness. We validate the effectiveness of the method through extensive numerical experiments across a range of problem instances and optimization settings.
• Abstract（参考訳）: MAX-CUTのような組合せ最適化問題の解法において、QAOA(Quantum Approximate Optimization Algorithm)の代替トレーニングパラダイムとしてフィードバックベースの手法が注目されている。 特に、Quantum Lyapunov Control (QLC)は、単調な非減少目標値を保証するフィードバック駆動制御法を採用し、QAOAのトレーニングオーバーヘッドを大幅に削減し、バレン高原を緩和する。 しかし、これらの手法は長い制御シーケンスを必要とするかもしれないため、準最適収束率につながる。 そこで本研究では,QLCの収束を早めるために層間勾配推定を組み込んだハイブリッド手法を提案する。 階層的な勾配情報を活用することにより,提案手法は最適に近い制御パラメータを選択し,より高速な収束とロバスト性の向上をもたらす。 本手法の有効性は,様々な問題インスタンスおよび最適化設定の広範な数値実験を通じて検証する。

関連論文リスト

• Adam assisted Fully informed Particle Swarm Optimization ( Adam-FIPSO ) based Parameter Prediction for the Quantum Approximate Optimization Algorithm (QAOA) [1.024113475677323]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、マックス・カット問題などの最適化問題の解法として用いられる顕著な変分アルゴリズムである。 QAOAの重要な課題は、高品質なソリューションにつながる適切なパラメータを効率的に特定することである。
  論文  参考訳（メタデータ） (2025-06-07T13:14:41Z)
• Constrain Alignment with Sparse Autoencoders [45.131670081186]
  特徴レベルの制約付き優先度最適化は、安定性を確保しつつアライメントプロセスを簡素化するために設計された新しい手法である。 提案手法は、訓練されたスパースオートエンコーダで活性化されるスパース機能と、逐次KL分散の品質を用いて効率を向上する。
  論文  参考訳（メタデータ） (2024-11-12T07:54:13Z)
• An Efficient On-Policy Deep Learning Framework for Stochastic Optimal Control [14.832859803172846]
  本稿では、最適制御(SOC)問題を解決するための新しいオン政治アルゴリズムを提案する。 ギルサノフの定理を利用することで、微分方程式や随伴問題解による高価なバックプロパゲーションを伴わずに、SOC対象の政治的勾配を直接計算する。 実験により,従来の手法に比べて計算速度とメモリ効率が大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-07T16:16:53Z)
• FOCQS: Feedback Optimally Controlled Quantum States [0.0]
  FALQONのようなフィードバックベースの量子アルゴリズムは微調整の問題を避けるが、回路深度の追加と収束保証の欠如を犠牲にしている。 我々は、従来の制御層を摂動的に更新するためにそれを利用する分析フレームワークを開発した。 この摂動的手法は、フィードバックに基づくアルゴリズムの結果を改善するために、フィードバック最適化量子状態(FOCQS)と呼ぶ。
  論文  参考訳（メタデータ） (2024-09-23T18:00:06Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)
• Recommender System Expedited Quantum Control Optimization [0.0]
  量子制御最適化アルゴリズムは、最適な量子ゲートや効率的な量子状態転送を生成するために日常的に使用される。 効率的な最適化アルゴリズムの設計には2つの大きな課題がある。 本稿では,後者の課題に対処するため,機械学習手法,特にレコメンダシステム(RS)を提案する。
  論文  参考訳（メタデータ） (2022-01-29T10:25:41Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• 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)
• IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
  本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。 提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。 加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
  論文  参考訳（メタデータ） (2020-06-11T18:49:06Z)

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。