論文の概要: Graph Neural Networks for Fast Operator Selection in Adaptive VQE

• arxiv url: http://arxiv.org/abs/2606.08794v1
• Date: Sun, 07 Jun 2026 19:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.452678
• Title: Graph Neural Networks for Fast Operator Selection in Adaptive VQE
• Title（参考訳）: 適応型VQEにおける高速演算子選択のためのグラフニューラルネットワーク
• Authors: Javad Vahedi, Hadi H. Arefi,
• Abstract要約: 相互作用グラフと状態依存オブザーバブルから直接次のエンタングル演算子を予測するグラフニューラルネットワーク(GNN)ポリシーを導入する。 学習ポリシーは、グリーディ勾配に基づく選択規則の支配的な構造を正確に再現する。 変分量子固有解法(VQE)ワークフローに統合されたこのGNN-VQEアプローチは、標準的なADAPT-VQEに近いエネルギー誤差を達成する。
• 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: Adaptive variational quantum algorithms like ADAPT-VQE construct tailored ansätze by iteratively selecting operators from a pool using gradient-based criteria. While this avoids oversized parameter spaces, repeatedly scanning the full pool incurs a classical cost that scales linearly with pool size-a major bottleneck for systems with long-range interactions or large operator sets. Here, we reformulate adaptive operator selection as a graph-based decision problem and introduce a graph neural network (GNN) policy that predicts the next entangling operator directly from the interaction graph and state-dependent observables. Training data are generated from exact simulations of disordered long-range spin chains, using gradient magnitudes as supervision signals. The learned policy accurately reproduces the dominant structure of the greedy gradient-based selection rule, significantly outperforming heuristics based solely on interaction strength. Integrated into a variational quantum eigensolver (VQE) workflow, this GNN-VQE approach achieves energy errors close to standard ADAPT-VQE while drastically reducing full-pool gradient evaluations. To test transferability beyond spin models, we evaluate the policy on small active-space molecular benchmarks (LiH and BeH_$2$). We find the GNN is highly effective as a shortlist generator: exact rescoring over just a few GNN-proposed candidates recovers near-oracle rollout behavior while searching only a small fraction of the pool. These results demonstrate that adaptive circuit construction contains learnable structure that can be exploited to accelerate variational quantum algorithms.
• Abstract（参考訳）: ADAPT-VQEのような適応変分量子アルゴリズムは、勾配に基づく基準を用いて、プールから演算子を反復的に選択することで、調整されたアンセッツェを構成する。 これは過大なパラメータ空間を避けるが、フルプールを何度もスキャンすると古典的なコストが発生し、プールサイズと線形にスケールする。 本稿では、グラフに基づく決定問題として適応演算子選択を再構成し、相互作用グラフと状態依存オブザーバブルから直接次の絡み合う演算子を予測するグラフニューラルネットワーク(GNN)ポリシーを導入する。 トレーニングデータは、不規則な長距離スピン鎖の正確なシミュレーションから生成され、勾配等級を監視信号として用いた。 学習方針は、グリーディ勾配に基づく選択規則の優越的な構造を正確に再現し、相互作用強度のみに基づくヒューリスティックスを著しく上回る。 変分量子固有解法(VQE)ワークフローに統合されたこのGNN-VQEアプローチは、標準ADAPT-VQEに近いエネルギー誤差を実現すると同時に、フルプール勾配評価を大幅に削減する。 スピンモデルを超えた転写性をテストするため,小型の活性空間分子ベンチマーク(LiHとBeH_$2$)のポリシーを評価する。 GNNが提案する少数の候補を正確に再現することで、プールのごく一部を探索しながら、ほぼオーラルに近いロールアウト動作が回復する。 これらの結果から、適応回路の構成には、変分量子アルゴリズムを高速化するために利用できる学習可能な構造が含まれていることが示されている。

関連論文リスト

• S$^3$GNN: Efficient Global Mixing and Local Message Passing for Long-Range Graph Learning [56.04227780048336]
  メッセージパッシングニューラルネットワーク(MPNN)は、長距離依存関係をキャプチャする際の情報ボトルネックに悩まされることが多い。 我々は、省略されたコンポーネントを軽量に再導入することでオーバーカッシング(OSQ)を緩和するS$3$GNNを提案する。 実験の結果,S$3$GNNは最大50%のパラメータでマグニチュード誤差を低減できることがわかった。
  論文  参考訳（メタデータ） (2026-05-22T10:26:41Z)
• Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates [2.271697926182248]
  本稿では,変分量子回路の発見と改良を行う自動フレームワークを提案する。 回路はグラフとして表現され、期待される改善獲得関数を介して変更され、選択される。 GNN誘導パイプラインは、回路の複雑さが低く、より優れた分類精度の回路を見つける。
  論文  参考訳（メタデータ） (2025-12-10T12:23:04Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update [0.09986418756990156]
  本稿では,組合せ最適化(CO)問題を効率よく解くために,GNNのパワーを活用して,QRF-GNNと呼ぶ新しいアルゴリズムを提案する。 QUBO緩和による損失関数の最小化による教師なし学習に依存している。 実験の結果、QRF-GNNは既存の学習ベースアプローチを大幅に上回り、最先端の手法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:34:35Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection [7.070726553564701]
  グラフから異常ノードを検出するための教師なしグラフエンコーダデコーダモデルを提案する。 符号化段階では、クラスタ割り当て行列を見つけるためにLCPoolと呼ばれる新しいプール機構を設計する。 復号段階ではLCUnpoolと呼ばれるアンプール演算を提案し,元のグラフの構造と結節の特徴を再構築する。
  論文  参考訳（メタデータ） (2023-08-15T13:49:12Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)

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。