論文の概要: Neural-powered unit disk graph embedding: qubits connectivity for some QUBO problems
- arxiv url: http://arxiv.org/abs/2605.04736v1
- Date: Wed, 06 May 2026 10:34:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.774069
- Title: Neural-powered unit disk graph embedding: qubits connectivity for some QUBO problems
- Title（参考訳）: ニューラルネットワークによる単位ディスクグラフの埋め込み:QUBO問題に対するqubits接続
- Authors: Chiara Vercellino, Paolo Viviani, Giacomo Vitali, Alberto Scionti, Andrea Scarabosio, Olivier Terzo, Edoardo Giusto, Bartolomeo Montrucchio,
- Abstract要約: この研究は、制約付き単位円板グラフの埋め込みに対する新しいアプローチを示す。
ニューラルネットワークのパワーを利用して、初期埋め込み構成を変換する。
実験結果から,この新しい手法はグロビ解法の性能を克服することが示された。
- 参考スコア（独自算出の注目度）: 0.11242503819703255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph embedding is a recurrent problem in quantum computing, for instance, quantum annealers need to solve a minor graph embedding in order to map a given Quadratic Unconstrained Binary Optimization (QUBO) problem onto their internal connectivity pattern. This work presents a novel approach to constrained unit disk graph embedding, which is encountered when trying to solve combinatorial optimization problems in QUBO form, using quantum hardware based on neutral Rydberg atoms. The qubits, physically represented by the atoms, are excited to the Rydberg state through laser pulses. Whenever qubits pairs are closer together than the blockade radius, entanglement can be reached, thus preventing entangled qubits to be simultaneously in the excited state. Hence, the blockade radius determines the adjacency pattern among qubits, corresponding to a unit disk configuration. Although it is straightforward to compute the adjacency pattern given the qubit coordinates, identifying a feasible unit disk arrangement that matches the desired QUBO matrix is, on the other hand, a much harder task. In the context of quantum optimization, this issue translates into the physical placement of the qubits in the 2D/3D register to match the machine's Ising-like Hamiltonian with the QUBO formulation of the optimization problems. The proposed solution exploits the power of neural networks to transform an initial embedding configuration, which does not match the quantum hardware requirements or does not account for the unit disk property, into a feasible embedding properly representing the target optimization problems. Experimental results show that this new approach overcomes in performance Gurobi solver.
- Abstract（参考訳）: グラフ埋め込みは、量子コンピューティングにおいて繰り返し発生する問題であり、例えば、量子異性体は、与えられた擬似非制約バイナリ最適化(QUBO)問題を内部接続パターンにマッピングするために、小さなグラフ埋め込みを解く必要がある。
この研究は、中立リドベルク原子に基づく量子ハードウェアを用いて、QUBO形式の組合せ最適化問題を解く際に発生する制約付き単位円板グラフ埋め込みに対する新しいアプローチを示す。
原子によって物理的に表される量子ビットは、レーザーパルスによってリドベルク状態に励起される。
クビット対がブロック半径よりも近いときは常に絡み合うことができ、クビットの絡み合いが励起状態で同時に起こるのを防ぐことができる。
これにより、ブロック半径は、単位ディスク構成に応じたキュービット間の隣接パターンを決定する。
キュービット座標が与えられた場合の隣接パターンの計算は容易であるが、所望のQUBO行列にマッチする実行可能な単位ディスク配置を特定することは、非常に難しい作業である。
量子最適化の文脈では、この問題は2D/3Dレジスタ内の量子ビットの物理配置に変換され、マシンのIsingライクなハミルトニアンと最適化問題のQUBOの定式化と一致する。
提案手法はニューラルネットワークのパワーを利用して,量子ハードウェアの要件に合わない,あるいは単位ディスク特性を考慮しない初期埋め込み構成を,対象とする最適化問題を適切に表現可能な埋め込みに変換する。
実験結果から,この新しい手法はグロビ解法の性能を克服することが示された。
関連論文リスト
- Neural optimization for quantum architectures: graph embedding problems with Distance Encoder Networks [0.11242503819703255]
本稿では,制約付きディスク問題を解くために,ニューラルネットワークによる最適化フレームワークを提案する。
提案手法は、非線形変換を近似するニューラルネットワークの能力に依存する。
論文 参考訳（メタデータ） (2026-05-05T09:39:14Z) - SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
基底状態探索は量子コンピューティングの中心である。
我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。
我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
論文 参考訳（メタデータ） (2026-03-25T13:38:15Z) - 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 quantum wire approach to weighted combinatorial graph optimisation problems [0.0]
本稿では,Rydberg-blockaded 原子の連鎖に基づく効率的な符号化方式を実験的に提案する。
中性原子アーキテクチャに最大重み付き独立集合(MWIS)と2次非制約二元最適化(QUBO)問題を埋め込む。
論文 参考訳（メタデータ） (2025-03-21T13:00:51Z) - Scalable Quantum-Inspired Optimization through Dynamic Qubit Compression [1.464272698399657]
ハード最適化の問題は、しばしばイジングモデルにマッピングされ、量子的優位性を持つ潜在的な解を約束するが、短期デバイスにおける制限量子ビット数によって制限される。
我々は,大規模Isingモデルを動的に圧縮し,異なるサイズで利用可能な量子ハードウェアに適合させる,革新的な量子インスパイアされたフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-24T17:51:42Z) - 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) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - Testing a QUBO Formulation of Core-periphery Partitioning on a Quantum
Annealer [3.093890460224435]
本稿では,非指向ネットワークにおけるコア周辺パーティションを演算するタスクの成功を定量化する新しいカーネルを提案する。
関連する最適分割を見つけることは、二次的制約のない二項最適化問題の形で表すことができる。
このアプローチを,既存のコア周辺分割手法と比較する。
論文 参考訳（メタデータ） (2022-01-05T11:08:09Z) - Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。
本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。
提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
論文 参考訳（メタデータ） (2021-07-08T17:59:55Z) - Advanced unembedding techniques for quantum annealers [0.0]
本研究は4つの重要なNPハード問題に対するアンエンベディング手法について述べる。
我々の手法は単純であり、解決される問題の構造的特性を生かしている。
論文 参考訳（メタデータ） (2020-09-10T17:49:43Z)
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。