論文の概要: Distributed Quantum-Enhanced Optimization: A Topographical Preconditioning Approach for High-Dimensional Search
- arxiv url: http://arxiv.org/abs/2604.20639v1
- Date: Wed, 22 Apr 2026 14:50:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.182248
- Title: Distributed Quantum-Enhanced Optimization: A Topographical Preconditioning Approach for High-Dimensional Search
- Title（参考訳）: 分散量子拡張最適化:高次元探索のための地形前処理手法
- Authors: Dominik Soós, Marc Paterno, John Stenger, Nikos Chrisochoides,
- Abstract要約: D-QEOは、純粋に古典的なアルゴリズムで観測される指数的故障率を抑制する。
この量子ブループリントは、使用に必要なグローバルなリソースの数を著しく削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimization problems become fundamentally challenging as the number of variables increases. Because the volume of the search space grows exponentially, classical algorithms frequently fail to locate the global minimum of non-convex functions. While quantum optimization offers a potential alternative, mapping continuous problems onto near-term quantum hardware introduces severe scaling limits and barren plateaus. To bridge this gap, we propose the Distributed Quantum-Enhanced Optimization (D-QEO) framework. Instead of forcing the quantum processor to find the exact minimum, we use it simply as a topographical preconditioner. The QPU maps the landscape to locate the most promising basin of attraction, generating high-quality seed points for a classical GPU-accelerated solver to refine. To make this approach viable for utility-scale problems, we exploit the mathematical structure of separable functions. This allows us to cut a 50-qubit (i.e., $2^{50}$) global search space into independent and manageable sub-spaces using 5-qubit subcircuits. By executing these fragments concurrently with CUDA-Q, we completely bypass the overhead of cross-register entanglement and classical tensor knitting for separable functions. Benchmarks on the 10-dimensional Rastrigin and Ackley functions show that D-QEO prevents the exponential failure rates observed in purely classical algorithms. Furthermore, this quantum warm-start significantly reduces the number of classical BFGS iterations required to converge, providing a highly practical blueprint for utilizing near-term quantum resources in complex global search.
- Abstract（参考訳）: 最適化問題は変数の数が増えるにつれて根本的に困難になる。
探索空間の体積は指数関数的に増加するので、古典的アルゴリズムはしばしば非凸関数の世界の最小値を見つけるのに失敗する。
量子最適化は潜在的な代替手段であるが、連続的な問題を短期的な量子ハードウェアにマッピングすることで、厳密なスケーリング制限と不規則な高原がもたらされる。
このギャップを埋めるために、分散量子拡張最適化(D-QEO)フレームワークを提案する。
量子プロセッサに正確な最小値を求めるのではなく、単に地形の前処理として使うのです。
QPUはランドスケープを最も有望なアトラクションの盆地にマッピングし、古典的なGPUアクセラレーションの解法を洗練するための高品質なシードポイントを生成する。
このアプローチを実用規模の問題に対して有効にするために,分離可能な関数の数学的構造を利用する。
これにより、50キュービット(すなわち、$2^{50}$)のグローバル検索空間を、5キュービットのサブ回路を用いて独立で管理可能なサブ空間に分割することができる。
CUDA-Qと並行してこれらのフラグメントを実行することで、分離可能な関数に対するクロスレジスタの絡み合いと古典的なテンソル編みのオーバーヘッドを完全に回避できる。
10次元ラストリギン関数とアクリー関数のベンチマークは、D-QEOが純粋に古典的なアルゴリズムで観測される指数的故障率を妨げることを示している。
さらに、この量子開始は、収束に必要な古典的BFGSイテレーションの数を著しく減らし、複雑なグローバルサーチにおいて、短期的な量子資源を利用するための非常に実用的な青写真を提供する。
関連論文リスト
- A Scalable Distributed Quantum Optimization Framework via Factor Graph Paradigm [46.08923284345648]
分散量子最適化のための構造認識フレームワークを提案する。
検索スペースが$N$の場合、我々のフレームワークはプロセッサやセパレータに依存した要素に対して$O(sqrtN)$クエリ複雑性を達成する。
構造を考慮した分解は、量子ネットワーク上でのスケーラブルな分散量子最適化に実践的な道をもたらすことを示す。
論文 参考訳（メタデータ） (2026-03-08T15:15:52Z) - A Depth-Independent Linear Chain Ansatz for Large-Scale Quantum Approximate Optimization [19.43182259360486]
本稿では, 線形連鎖 QAOA の変種を提案するとともに, 従来の QAOA のパラダイムである MaxCut 問題に対して, その優位性を実証する。
アンザッツでは、元のMaxCutグラフから線形鎖を見つけ、この鎖に沿ってエンタングゲートを順次配置する。
この線形鎖アンサッツは、浅い量子回路と、問題の大きさとは独立にスケールする低い実行時間によって特徴付けられる。
論文 参考訳（メタデータ） (2025-09-22T00:33:54Z) - Learning Feasible Quantum States for Quadratic Constrained Binary Optimization Problems [41.23247424467223]
我々はQCBOの制約を満たす量子状態の同値重ね合わせを生成する変動的アプローチを開発する。
結果として生じる同値な重ね合わせは、QUBO/QCBOを解く量子アルゴリズムの初期状態として使用できる。
論文 参考訳（メタデータ） (2025-08-04T16:44:53Z) - Quantum Approximate Optimisation Applied to Graph Similarity [0.0]
本稿では,QAOAのすべての構成成分の探索を容易にする新しい量子最適化シミュレーションパッケージを提案する。
6段階の分解レベルで8つの古典的最適化手法について検討する。
QAOAとエッジの重複によるグラフ類似性のような置換に基づく問題の符号化は、量子メモリの大幅な節約を可能にする。
論文 参考訳（メタデータ） (2024-12-23T06:04:08Z) - Large-scale quantum annealing simulation with tensor networks and belief propagation [0.0]
3つの正則グラフに対する量子アニールは1000量子ビットと5000000量子ビットゲートのスケールでも古典的にシミュレートできることを示す。
非退化インスタンスの場合、一意解は最後の縮小された単一量子状態から読み出すことができる。
MaxCutのような退化問題に対して、グラフテンソル-ネットワーク状態に対する近似的な測定シミュレーションアルゴリズムを導入する。
論文 参考訳（メタデータ） (2024-09-18T18:00:08Z) - Optimization by Decoded Quantum Interferometry [38.063836468778895]
Decoded Quantum Interferometry (DQI) は、量子フーリエ変換を用いて、復号化問題に対する最適化問題を削減する量子アルゴリズムである。
有限体上の最適適合を近似するために、DQIは既知の古典的アルゴリズムよりも超多項式的なスピードアップを達成する。
論文 参考訳（メタデータ） (2024-08-15T17:47:42Z) - Quantum Circuit Optimization through Iteratively Pre-Conditioned
Gradient Descent [0.4915744683251151]
量子回路を最適化し、状態準備と量子アルゴリズムの実装のための性能高速化を示すために、繰り返し事前条件勾配降下(IPG)を行う。
4量子W状態と最大絡み合った5量子GHZ状態を作成するための104ドルの係数による忠実度の向上を示す。
また、IPGを用いて量子フーリエ変換のユニタリを最適化するゲインを示し、IonQの量子処理ユニット(QPU)上でそのような最適化された回路の実行結果を報告する。
論文 参考訳（メタデータ） (2023-09-18T17:30:03Z) - 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) - Accelerating variational quantum algorithms with multiple quantum
processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。
現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。
ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文 参考訳（メタデータ） (2021-06-24T08:18:42Z) - 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。