論文の概要: Stone-in-Waiting: A Cloud-Based Accelerator for the Quantum Approximate Optimization Algorithm

• arxiv url: http://arxiv.org/abs/2603.19980v1
• Date: Fri, 20 Mar 2026 14:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.180146
• Title: Stone-in-Waiting: A Cloud-Based Accelerator for the Quantum Approximate Optimization Algorithm
• Title（参考訳）: Stone-in-Waiting: 量子近似最適化アルゴリズムのためのクラウドベースの加速器
• Abstract要約: 本稿では,量子近似最適化アルゴリズム(QAOA)の高品質初期パラメータを求めるクラウドベースのアクセラレータであるStone-in-Waitingを提案する。 内部的には、加速器はパラメータ決定の最先端の理論と方法と4つの自己開発アルゴリズムに基づいて構築されている。 Baseline Algorithmと比較して、生成されたパラメータはスコアを40.19%改善する。
• 参考スコア（独自算出の注目度）: 1.599072005190786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Quantum Approximate Optimization Algorithm (QAOA) and its advanced variant, the Quantum Alternating Operator Ansatz (QAOA), are major research topics in the current era of Noisy Intermediate-Scale Quantum (NISQ) computing. However, the problem of initializing their parameters remains unresolved. Motivated by the combinatorial optimization task in the 6th MindSpore Quantum Computing Hackathon (2024), this paper proposes Stone-in-Waiting, a cloud-based accelerator for obtaining high-quality initial parameters for QAOA. Internally, the accelerator builds on state-of-the-art theories and methods for parameter determination and integrates four self-developed algorithms for QAOA parameter initialization, mainly based on Bayesian methods, nearest-neighbor methods, and metric learning. Compared with the Baseline Algorithm, the generated parameters improve the score by 40.19%. Externally, the accelerator offers both a web interface and an API, providing flexible and convenient access for users to test and develop related experiments and applications. This paper presents the design principles and methods of Stone-in-Waiting, demonstrates its functional characteristics, compares the strengths and weaknesses of the four proposed algorithms, and validates the overall system performance through experiments.
• Abstract（参考訳）: 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)とその先進的な変種であるQuantum Alternating Operator Ansatz(QAOA)は、現在のノイズ中間量子(NISQ)コンピューティングにおける主要な研究トピックである。 しかし、それらのパラメータを初期化する問題は未解決のままである。 本稿では,第6回MindSpore Quantum Computing Hackathon(2024)の組合せ最適化タスクにより,QAOAの高品質初期パラメータを求めるクラウドベースのアクセラレータStone-in-Waitingを提案する。 内部的には、この加速器はパラメータ決定の最先端の理論と手法に基づいており、ベイズ的手法、最も近い方法、およびメートル法学習に基づくQAOAパラメータ初期化のための4つの自己開発アルゴリズムを統合している。 Baseline Algorithmと比較して、生成されたパラメータはスコアを40.19%改善する。 外部的には、アクセラレーションはWebインターフェースとAPIの両方を提供し、ユーザが関連する実験やアプリケーションをテストおよび開発するための柔軟で便利なアクセスを提供する。 本稿では,ストーン・イン・ウェイティングの設計原理と方法を示し,その機能特性を実証し,提案した4つのアルゴリズムの強みと弱みを比較し,実験によるシステム全体の性能評価を行う。

関連論文リスト

• Scalable Clifford-Based Classical Initialization for the Quantum Approximate Optimization Algorithm [1.087626389886227]
  変分量子アルゴリズム(VQA)は、量子デバイス上で最適化問題に取り組むための有望な経路を提供する。 しかし、その性能は初期パラメータの選択に依存する。 本稿では,最先端のアンザッツに対して最大80%の精度向上を実現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-15T22:49:54Z)
• Breaking Through Barren Plateaus: Reinforcement Learning Initializations for Deep Variational Quantum Circuits [21.491246867521053]
  変分量子アルゴリズム(VQA)は、短期量子デバイスを活用可能なフレームワークとして注目されている。 VQAの有効性は、システムサイズや回路深さが増加するにつれて勾配が指数関数的に減少するいわゆるバレン高原問題によって制約されることが多い。
  論文  参考訳（メタデータ） (2025-08-25T21:37:36Z)
• Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
  モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。 我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。 適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
  論文  参考訳（メタデータ） (2025-01-10T12:07:00Z)
• RobustState: Boosting Fidelity of Quantum State Preparation via Noise-Aware Variational Training [25.856061402981496]
  量子状態の準備には、量子ビットからターゲット量子状態を生成することが含まれる。 本稿では,高ロバスト性と高トレーニング効率を組み合わせた新しいVQSPトレーニング手法であるRobustStateを提案する。
  論文  参考訳（メタデータ） (2023-11-27T17:55:50Z)
• Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
  この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。 その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-09-28T18:55:22Z)
• Efficient DCQO Algorithm within the Impulse Regime for Portfolio Optimization [41.94295877935867]
  本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。 提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。 我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:53:08Z)
• A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。 この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。 我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
  論文  参考訳（メタデータ） (2023-06-15T15:28:12Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Meta-Learning Digitized-Counterdiabatic Quantum Optimization [3.0638256603183054]
  本稿では,リカレントニューラルネットワークを用いたメタラーニング手法を用いて,変分最適化に適した初期パラメータを求める問題に取り組む。 我々は、最近提案されたディジタル化対数量子近似アルゴリズム(DC-QAOA)を用いて、この手法について検討する。 メタラーニングとDC-QAOAを組み合わせることで、MaxCut問題やSherrington-Kirkpatrickモデルなど、異なるモデルに対する最適な初期パラメータを見つけることができる。
  論文  参考訳（メタデータ） (2022-06-20T18:57:50Z)
• Trusted-Maximizers Entropy Search for Efficient Bayesian Optimization [39.824086260578646]
  本稿では,信頼度最大化エントロピー探索(TES)取得関数を提案する。 インプットがクエリの情報ゲインにどの程度貢献するかを、信頼された最大値の有限セット上で測定する。
  論文  参考訳（メタデータ） (2021-07-30T07:25:07Z)
• 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)
• On Hyper-parameter Tuning for Stochastic Optimization Algorithms [28.88646928299302]
  本稿では,強化学習に基づく最適化アルゴリズムのハイパーパラメータをチューニングするための,最初のアルゴリズムフレームワークを提案する。 提案フレームワークはアルゴリズムにおけるハイパーパラメータチューニングの標準ツールとして利用できる。
  論文  参考訳（メタデータ） (2020-03-04T12:29:12Z)
• Accelerating Quantum Approximate Optimization Algorithm using Machine Learning [6.735657356113614]
  本稿では,量子近似最適化アルゴリズム(QAOA)の実装を高速化する機械学習手法を提案する。 QAOAは、いわゆる量子超越性を証明する量子古典ハイブリッドアルゴリズムである。 提案手法は,264種類のグラフを用いて行った解析から,最適化の繰り返し回数を最大65.7%削減できることを示す。
  論文  参考訳（メタデータ） (2020-02-04T02:21:00Z)

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。