論文の概要: Q3SAT-GPT: A Generative Model for Discovering Quantum Circuits for the 3-SAT Problem

• arxiv url: http://arxiv.org/abs/2604.27324v1
• Date: Thu, 30 Apr 2026 02:10:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.87737
• Title: Q3SAT-GPT: A Generative Model for Discovering Quantum Circuits for the 3-SAT Problem
• Title（参考訳）: Q3SAT-GPT: 3SAT問題の量子回路探索のための生成モデル
• Authors: Pratim Ugale, Ilya Tyagin, Karunya Shirali, Kien X. Nguyen, Ilya Safro,
• Abstract要約: この研究は、量子回路を発見するための生成モデルであるQ3SAT-GPTを導入している。 提案手法は,QAOAスタイルの高精度なアンスターゼから学習し,候補回路を直接生成する。 また,モザイク適応QAOA(MosaicADAPT-QAOA)を導入し,低深度QAOA回路を構築するための適応戦略を提案する。
• 参考スコア（独自算出の注目度）: 3.5143539128349297
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work introduces Q3SAT-GPT, a generative model for discovering quantum circuits for the Max-E3-SAT problem. Our method learns from high-performing QAOA-style ansätze to directly generate candidate circuits. To create high-quality supervision, we also introduce Mosaic Adaptive QAOA (MosaicADAPT-QAOA), an adaptive strategy for constructing low-depth QAOA circuits by selecting subsets of mixer operators in each step, rather than inserting operators sequentially. The resulting circuits serve as training data for the generative model, allowing it to learn effective circuit design patterns while eliminating the need for costly variational optimization at inference time. Experiments show that our framework attains strong solution quality with shallow circuits and scales significantly better than both our adaptive construction procedure and conventional variational baselines. Our results establish generative modeling as a high-performance route toward the scalable discovery of quantum optimization circuits, demonstrating that these models can effectively internalize circuit logic while providing a foundation for future, instance-aware inductive biases. Reproducibility: The source code is available at https://github.com/pratimugale/Q3SAT-GPT.
• Abstract（参考訳）: この研究は、量子回路を発見するための生成モデルであるQ3SAT-GPTを導入している。 提案手法はQAOAスタイルのアンセッツェから学習し,候補回路を直接生成する。 また,モザイク適応QAOA(MosaicADAPT-QAOA)を導入し,演算子を順次挿入するのではなく,各ステップでミキサー演算子のサブセットを選択することで,低深度QAOA回路を構築する適応戦略を提案する。 生成された回路は、生成モデルのトレーニングデータとして機能し、推論時にコストのかかる変動最適化を不要にしながら、効率的な回路設計パターンを学習することができる。 実験により,我々のフレームワークは浅い回路で強い解の質を達成でき,適応的な構成手順と従来の変分ベースラインの両方よりもはるかに優れたスケールが得られることが示された。 本研究は、量子最適化回路のスケーラブルな発見に向けた高速な経路として生成モデルを確立し、これらのモデルが将来のインスタンス認識帰納バイアスの基礎を提供しながら、回路論理を効果的に内部化できることを実証した。 再現性: ソースコードはhttps://github.com/pratimugale/Q3SAT-GPTで公開されている。

関連論文リスト

• Extending QAOA-GPT to Higher-Order Quantum Optimization Problems [0.0]
  我々はQAOA-GPTを高次非制約バイナリ最適化問題に拡張する。 我々は、ADAPT-QAOAを介して生成されたグラフ回路対に基づいてモデルをトレーニングし、重ヘックス格子上に埋め込まれた8ビットおよび16ビットのインスタンスの性能を評価する。 その結果、QAOA-GPTは高次コストハミルトニアンや複雑なエネルギー景観に効果的に一般化することを示した。
  論文  参考訳（メタデータ） (2025-11-10T18:46:38Z)
• QAOA-GPT: Efficient Generation of Adaptive and Regular Quantum Approximate Optimization Algorithm Circuits [1.5739024454537747]
  本稿では、GPT(Generative Pretrained Transformer)を利用して量子回路を直接合成し、制約のないバイナリ最適化問題を解決するための生成フレームワークであるQAOA-GPTを紹介する。 トレーニング回路の多様化と品質確保のために,適応型QAOAアプローチを用いた合成データセットを作成した。 その結果,量子回路生成にQAOA-GPTを用いると,古典的QAOAの計算オーバーヘッドと適応的アプローチの両方が大幅に減少することがわかった。
  論文  参考訳（メタデータ） (2025-04-23T02:00:36Z)
• Architect of the Bits World: Masked Autoregressive Modeling for Circuit Generation Guided by Truth Table [5.300504429005315]
  本稿では,回路生成のための条件生成モデルと微分可能なアーキテクチャ探索(DAS)を組み合わせた新しい手法を提案する。 まず、Circuit AutoEncoderに基づいてトレーニングされた回路トークンであるCircuitVQを紹介する。 次に,トークンとしてCircuitVQを活用するマスク付き自己回帰モデルであるCircuitARを開発した。
  論文  参考訳（メタデータ） (2025-02-18T11:13:03Z)
• 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)
• Machine Learning Driven Global Optimisation Framework for Analog Circuit Design [0.0]
  アナログ回路設計のための機械学習駆動最適化フレームワークを提案する。 最適化アルゴリズムを指向するために,機械学習モデルとスパイスシミュレーションを用いる。
  論文  参考訳（メタデータ） (2024-02-27T03:51:00Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Efficient Quantum Circuit Design with a Standard Cell Approach, with an Application to Neutral Atom Quantum Computers [45.66259474547513]
  従来の回路設計から借用した標準セルアプローチを用いて量子回路を設計する。 本稿では,自動ルーティング方式と比較してレイアウト対応ルータが大幅に高速で,より浅い3D回路を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-10T10:54:46Z)
• 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。