論文の概要: High Precision Qubit-Efficient Variational Continuous Optimization via Amplitude Estimation

• arxiv url: http://arxiv.org/abs/2606.08690v1
• Date: Sun, 07 Jun 2026 15:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.392826
• Title: High Precision Qubit-Efficient Variational Continuous Optimization via Amplitude Estimation
• Title（参考訳）: 振幅推定による高精度量子効率変動連続最適化
• Authors: Parth Danve,
• Abstract要約: ゲートベース量子コンピュータ上での連続的な最適化のための量子ビット効率変動フレームワークを提案する。 我々は、各決定変数を2乗振幅にエンコードする。 これにより、可変表現から明示的な離散化が取り除かれ、標準量子ビット回路モデルに完全に依存する。
• 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 of continuous-variable objectives on standard gate-based quantum computers via variational algorithms such as QAOA is typically approached by first discretizing each decision variable into a finite binary representation. This increases qubit requirements and restricts solution precision through fixed-resolution encodings. We propose a qubit-efficient variational framework for continuous optimization that instead encodes each decision variable into the squared amplitude or equivalently, the measurement probability of a single qubit state. This removes explicit discretization from the variable representation while remaining entirely within the standard qubit circuit model unlike methods like CV-QAOA employing qumode based hardware to achieve the same. To read out encoded variables, we propose using amplitude estimation rather than naive sampling or tomographic reconstruction, with the goal of improving precision scaling for continuous-value recovery. We outline how amplitude-estimation error propagates to decision-variable error and then to objective-value error under standard regularity assumptions, suggesting a distinct width-versus-precision tradeoff relative to discretized approaches. In particular, the framework replaces the logarithmic increase in qubits needed for finer binary precision with a constant cost of one qubit per decision variable, while shifting accuracy requirements into the estimation procedure. We position this approach relative to traditional discretized variational formulations, and argue that it provides a promising new direction for continuous optimization on standard qubit architectures.
• Abstract（参考訳）: QAOAのような変分アルゴリズムによる標準ゲートベースの量子コンピュータ上での連続変数目的の最適化は、まず各決定変数を有限二項表現に識別することでアプローチされる。 これにより、量子ビット要求が増加し、固定解像度符号化による解の精度が制限される。 そこで本研究では,各決定変数を2乗振幅にエンコードするか,あるいは等価に,単一キュービット状態の測定確率を符号化する,連続的な最適化のための量子ビット効率の変動フレームワークを提案する。 これにより、可変表現から明示的な離散化を排除し、標準量子ビット回路モデルに完全に留まる。 符号化された変数を読み取るために、連続値回復のための精度のスケーリングを改善することを目的として、単純サンプリングやトモグラフィ再構成よりも振幅推定を用いることを提案する。 本稿では, 振幅推定誤差が決定変数誤差, および標準正規性仮定の下での客観的値誤差にどのように伝播するかを概説し, 離散化されたアプローチと比較して, 異なる幅対精度のトレードオフを示唆する。 特に、このフレームワークは、精度要件を推定手順にシフトしながら、より微細なバイナリ精度に必要なキュービットの対数的増加を、決定変数あたりの1キュービットの一定コストで置き換える。 我々は、従来の離散化変分法と比較してこのアプローチを位置づけ、標準量子ビットアーキテクチャにおける連続的な最適化のための有望な新しい方向を提供すると主張している。

関連論文リスト

• Analysis of Hessian Scaling for Local and Global Costs in Variational Quantum Algorithm [0.42970700836450487]
  変分量子アルゴリズムにおけるヘッセンのエントリーワイズ解の定量化を行う。 ショットノイズに対してヘッセン成分を解くのに必要なサンプルの複雑さを規定する2つの異なるスケーリング機構を示す。
  論文  参考訳（メタデータ） (2026-01-31T15:49:23Z)
• Mean-field Variational Bayes for Sparse Probit Regression [0.9023847175654603]
  回帰係数に先行するスパイク・アンド・スラブとのプロビットリンクの下での2進結果に対するベイズ変数の選択について検討する。 マルコフ連鎖モンテカルロの高次元状態における計算問題に触発され,平均場変動ベイズ近似を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:16:31Z)
• WUSH: Near-Optimal Adaptive Transforms for LLM Quantization [52.77441224845925]
  低ビット幅への量子化は、大きな言語モデルをデプロイするための標準的なアプローチである。 いくつかの極端な重みと活性化は、ダイナミックレンジを拡張し、量子化器の有効分解能を減少させる。 結合重みアクティベーション量子化のための閉形式最適線形ブロックワイズ変換を初めて導出する。
  論文  参考訳（メタデータ） (2025-11-30T16:17:34Z)
• Multivariate Latent Recalibration for Conditional Normalizing Flows [6.932606401614012]
  ラテント校正は、ラテントキャリブレーション上の有限サンプル境界を持つラテント空間の変換を学ぶ。 LRは再校正モデルの潜時校正誤差と負の対数類似度を一貫して改善する。
  論文  参考訳（メタデータ） (2025-05-22T13:08:20Z)
• AMED: Automatic Mixed-Precision Quantization for Edge Devices [3.5223695602582614]
  量子ニューラルネットワークは、レイテンシ、消費電力、モデルサイズをパフォーマンスに大きな影響を与えずに減少させることでよく知られている。 混合精度量子化は、異なるビット幅での算術演算をサポートするカスタマイズされたハードウェアのより良い利用を提供する。
  論文  参考訳（メタデータ） (2022-05-30T21:23:22Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)
• Bayesian Bits: Unifying Quantization and Pruning [73.27732135853243]
  我々は、勾配に基づく最適化による混合精度量子化とプルーニングの実用的な方法であるBayesian Bitsを紹介する。 提案手法をいくつかのベンチマーク・データセット上で実験的に検証し,プレナード付き混合精度ネットワークを学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-14T16:00:34Z)
• Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
  ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。 一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2020-04-14T07:54:53Z)

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。