論文の概要: Qubit-Scalable CVRP via Lagrangian Knapsack Decomposition and Noise-Aware Quantum Execution
- arxiv url: http://arxiv.org/abs/2604.22194v1
- Date: Fri, 24 Apr 2026 03:46:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.332772
- Title: Qubit-Scalable CVRP via Lagrangian Knapsack Decomposition and Noise-Aware Quantum Execution
- Title（参考訳）: ラグランジアンKnapsack分解とノイズ対応量子実行によるQubit- Scalable CVRP
- Authors: Monit Sharma, Hoong Chuin Lau,
- Abstract要約: 本稿では、OR分解、学習強化二重制御、適応ハードウェア対応実行によるハイブリッド量子CVRP最適化のエンドツーエンドフレームワークを提案する。
我々は量子アドバンテージを主張しない。代わりに、OR分解、学習強化二重制御、適応ハードウェア対応実行を通じてハイブリッド量子CVRP最適化をスケールするための実用的なエンドツーエンドフレームワークである。
- 参考スコア（独自算出の注目度）: 3.652509571098291
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid quantum optimization for vehicle routing faces a practical bottleneck: direct QUBO encodings of CVRP quickly exceed near-term qubit and gate budgets, while quantum evaluations are expensive, noise-limited, and sensitive to backend and circuit configuration. We address this gap with an end-to-end decomposition pipeline that converts CVRP into bounded-width quantum subproblems and treats quantum execution as a decision problem within the optimization loop. Starting from a Fisher--Jaikumar assignment linearization, we apply Lagrangian relaxation to dualize customer-assignment couplers, yielding independent per-vehicle knapsack subproblems that admit QUBO/Ising evaluation. To replace brittle subgradient tuning, we learn a multiplier-update controller using expert-guided pretraining followed by reinforcement-learning fine-tuning, with rewards based on execution-realized progress and route reconstruction. We also introduce a constrained contextual bandit as a hardware-aware execution layer that selects backend and circuit configuration with feasibility screening, enabling adaptation across heterogeneous noisy resources and parallel multi-QPU scheduling. Computational results on multiple CVRPLIB families show that the decomposition yields stable bounded-width subproblems across instance sizes, learned multiplier updates improve end-to-end routing quality relative to classical subgradient control under matched budgets, and hardware-mode configuration reduces median optimality gaps relative to static execution choices in our test set. We do not claim quantum advantage. Instead, the contribution is a practical end-to-end framework for scaling hybrid quantum CVRP optimization through OR decomposition, learning-augmented dual control, and adaptive hardware-aware execution.
- Abstract（参考訳）: CVRPの直接QUBO符号化は、短期的な量子ビットおよびゲート予算を急速に超過する一方、量子評価は高価でノイズに制限され、バックエンドや回路構成に敏感である。
このギャップを、CVRPを有界幅量子サブプロブレムに変換し、最適化ループ内の決定問題として量子実行を扱うエンドツーエンド分解パイプラインで解決する。
Fisher-Jaikumar割当線形化から始めて、ラグランジアン緩和を適用し、QUBO/Ising評価を許容する独立した車種ごとのknapsackサブプロブレムを生成する。
不安定な下位調律の代替として,専門家指導による事前訓練と強化学習による微調整を併用した乗算器更新制御を,実行実現の進展と経路再構成に基づく報奨で学習する。
また、ハードウェア対応実行層として制約付きコンテキスト帯域幅を導入し、バックエンドと回路構成を選択し、不均一なノイズリソースと並列マルチQPUスケジューリングを実現する。
複数のCVRPLIBファミリーの計算結果から, インスタンスサイズにまたがる安定な有界幅サブプロブレムを分解し, 学習乗算器更新により, 整合した予算下での古典的下位制御に対するエンドツーエンドのルーティング品質が向上し, ハードウェアモード構成により, テストセットの静的実行選択に対する中央値の最適性ギャップを低減できることがわかった。
量子的優位性は主張しない。
代わりにこのコントリビューションは、OR分解、学習強化二重制御、適応ハードウェア対応実行を通じて、ハイブリッド量子CVRP最適化をスケールするための実用的なエンドツーエンドフレームワークである。
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) - Large-scale portfolio optimization on a trapped-ion quantum computer [32.24411362086563]
基数制約付き大規模ポートフォリオ選択のためのエンドツーエンドパイプラインを提案する。
ハードウェア・アウェア分解を用いたトラップイオン量子プロセッサ上での実験実験を行った。
論文 参考訳（メタデータ） (2026-02-27T12:36:14Z) - An Adaptive Purification Controller for Quantum Networks: Dynamic Protocol Selection and Multipartite Distillation [10.706268477180858]
本稿では, タングル化蒸留シーケンスを自動的に最適化し, 出力を最大化する適応浄化制御器(APC)を提案する。
提案手法は,静的なプロトコルに固有の「忠実な崖」を緩和し,高雑音条件下での資源の浪費を低減する。
我々は、コントローラを異種シナリオに拡張し、マルチパーティのGHZ状態生成と連続変数システムの両方で評価する。
論文 参考訳（メタデータ） (2026-01-26T10:56:37Z) - Adaptive Fidelity Estimation for Quantum Programs with Graph-Guided Noise Awareness [30.900274564864223]
QuFidは適応的でノイズ対応のフレームワークで、オンラインで測定予算を決定する。
固定ショットや学習ベースラインと比較して,QuFidは測定コストを大幅に削減することを示す。
論文 参考訳（メタデータ） (2026-01-21T07:04:05Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Quantum-Assisted Vehicle Routing: Realizing QAOA-based Approach on Gate-Based Quantum Computer [1.5119440099674915]
車両問題ルーティング(VRP)は、物流や輸送における幅広い応用において、基本的な最適化課題である。
本稿では、QAOA(Quantum Approximate Optimization Algorithm)とVRPのリンクベースの定式化を統合する量子支援フレームワークを提案する。
提案手法は, 補助量子ビットを回避しつつ, グラフ構造を保ちながら, コストハミルトニアンに直接流れの保存と下地除去をエンコードする。
論文 参考訳（メタデータ） (2025-05-02T22:31:01Z) - A Fast and Adaptable Algorithm for Optimal Multi-Qubit Pathfinding in Quantum Circuit Compilation [0.0]
この研究は、量子回路のコンパイルマッピング問題における臨界サブルーチンとして、マルチキュービットパスフィンディングに焦点を当てている。
本稿では,回路SWAPゲート深さに対して量子ハードウェア上で量子ビットを最適にナビゲートする二進整数線形計画法を用いてモデル化したアルゴリズムを提案する。
我々は、様々な量子ハードウェアレイアウトのアルゴリズムをベンチマークし、計算ランタイム、解SWAP深さ、累積SWAPゲート誤差率などの特性を評価した。
論文 参考訳（メタデータ） (2024-05-29T05:59:15Z) - Compiler for Distributed Quantum Computing: a Reinforcement Learning Approach [6.347685922582191]
本稿では,EPRペアの生成とルーティングを共同で管理することで,実行時間の短縮を優先する新しいコンパイラを提案する。
本稿では, 量子回路の絡み合い生成の性質と動作要求を考慮し, リアルタイムかつ適応的なコンパイラ設計手法を提案する。
i)マルコフ決定過程(MDP)の定式化を用いてDQCの最適コンパイラをモデル化し、最適アルゴリズムの存在を確立し、(ii)この最適コンパイラを近似するために制約付き強化学習(RL)法を導入する。
論文 参考訳（メタデータ） (2024-04-25T23:03:20Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - 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)
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。