論文の概要: Quantum Grover Adaptive Search for Discrete Simulation Optimization
- arxiv url: http://arxiv.org/abs/2604.26277v1
- Date: Wed, 29 Apr 2026 04:17:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.251194
- Title: Quantum Grover Adaptive Search for Discrete Simulation Optimization
- Title（参考訳）: 離散シミュレーション最適化のための量子グロバー適応探索
- Authors: Mingjie Hu, Jian-qiang Hu, Enlu Zhou,
- Abstract要約: 我々は、全ての候補解に対してコヒーレントな重ね合わせを準備する量子シミュレーションオラクルを導入する。
我々はSOGASと呼ばれる離散シミュレーション最適化のためのGrover-searchベースの量子アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 5.848643785361479
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum computing has advanced rapidly in recent years and has shown advantages in a variety of domains. In this paper, we investigate its potential for discrete simulation optimization in the fixed-confidence setting, a fundamental problem in the simulation literature. We first introduce a quantum simulation oracle that prepares a coherent superposition over all candidate solutions and provides the foundation for quantum algorithm design. Based on this oracle, we develop the first Grover-search-based quantum algorithm for discrete simulation optimization, called SOGAS. In particular, SOGAS uses a binary-search framework to progressively eliminate suboptimal solutions while carefully controlling the error probability, and eventually identifies a set of near-optimal solutions. We prove that SOGAS returns a near-optimal solution with probability at least the prescribed confidence level and achieves a quadratic speedup in the dependence of query complexity on the number of candidate solutions. Numerical experiments further show that SOGAS substantially outperforms classical benchmarks and provide empirical evidence for quantum advantage in discrete simulation optimization.
- Abstract（参考訳）: 近年、量子コンピューティングは急速に進歩し、様々な領域で優位性を示している。
本稿では,シミュレーション文献の基本的な問題である固定信頼設定における離散シミュレーション最適化の可能性について検討する。
まず、全ての候補解に対するコヒーレントな重ね合わせを準備し、量子アルゴリズム設計の基礎を提供する量子シミュレーションオラクルを紹介する。
このオラクルに基づいて,SOGASと呼ばれる離散シミュレーション最適化のためのGrover-searchベースの量子アルゴリズムを開発した。
特に、SOGASは二分探索フレームワークを使用して、誤差確率を慎重に制御しながら、段階的に準最適解を除去し、最終的には準最適解の集合を同定する。
我々は、SOGASが少なくとも所定の信頼度の高いほぼ最適解を返すことを証明し、候補解数に対するクエリ複雑性の依存性を2次的に高速化する。
数値実験により、SOGASは古典的ベンチマークを著しく上回り、離散的なシミュレーション最適化において量子優位性を示す実証的な証拠を提供することが示された。
関連論文リスト
- Hot-Starting Quantum Portfolio Optimization [39.916647837440316]
滑らかで凸な目的関数による組合せ最適化は、離散平均分散ポートフォリオ最適化のようなアプリケーションで自然に発生する。
我々は、コンパクトなヒルベルト空間を構築することにより、連続最適点近傍の離散解に探索空間を限定する新しいアプローチを導入する。
ソフトウェアソルバとD波アドバンテージ量子アニールの実験により,本手法が最先端技術より優れていることを示す。
論文 参考訳（メタデータ） (2025-10-13T08:47:43Z) - Quantum Simulation-Based Optimization of a Cooling System [0.0]
量子アルゴリズムは、数値シミュレーションに関連する特定のタスクに対して指数的なスピードアップを約束する。
しかし、量子コンピュータのデータ入力と出力を考えると、これらの利点はすぐに消える。
最近導入されたQuantum Simulation-Based Optimization (QuSO)は、より大規模な最適化の中でシミュレーションをサブプロブレムとして扱う。
論文 参考訳（メタデータ） (2025-04-21T21:58:21Z) - 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) - Performance Benchmarking of Quantum Algorithms for Hard Combinatorial Optimization Problems: A Comparative Study of non-FTQC Approaches [0.0]
本研究は、4つの異なる最適化問題にまたがっていくつかの非フォールト耐性量子コンピューティングアルゴリズムを体系的にベンチマークする。
我々のベンチマークには、変分量子固有解法など、ノイズの多い中間スケール量子(NISQ)アルゴリズムが含まれている。
以上の結果から,FTQC以外のアルゴリズムは全ての問題に対して最適に動作しないことが明らかとなり,アルゴリズム戦略の調整の必要性が浮き彫りになった。
論文 参考訳（メタデータ） (2024-10-30T08:41:29Z) - Quantum evolutionary algorithm for TSP combinatorial optimisation problem [0.0]
本稿では、量子遺伝的アルゴリズム(QGA)を用いて、旅行セールスマン問題(TSP)と呼ばれる新しい問題を解決する方法を実装する。
我々は、この新しいアプローチがいかにうまく機能するかを、古典的遺伝的アルゴリズム(CGA)として知られる従来の手法と比較した。
論文 参考訳（メタデータ） (2024-09-20T08:27:42Z) - 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) - Guess What Quantum Computing Can Do for Test Case Optimization [43.89456212504871]
近い将来、量子近似最適化アルゴリズム(QAOAs)は最適化問題を解く大きな可能性を秘めている。
本稿では,QAOA問題としてソフトウェアテストケース最適化問題を定式化し,量子コンピュータシミュレータ上での解法を提案する。
近年は利用できない多くのキュービットを必要とするより大きなテスト最適化問題を解決するため、QAOAと問題分解戦略を統合する。
論文 参考訳（メタデータ） (2023-12-24T21:25:31Z) - 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) - 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) - Quantum-Enhanced Simulation-Based Optimization [0.8057006406834467]
シミュレーションに基づく最適化は、正確に評価するのに計算コストのかかる目的関数を最適化することを目指している。
量子振幅推定(QAE)は、古典モンテカルロシミュレーションよりも2次的なスピードアップを達成することができる。
論文 参考訳（メタデータ） (2020-05-21T17:02:59Z)
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。