論文の概要: VQA for Dynamic Portfolio Optimization: Sampling Strategies, Optimizer Scheduling, and Hardware-Aware Ansatz Design

• arxiv url: http://arxiv.org/abs/2606.10098v1
• Date: Mon, 08 Jun 2026 19:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.154656
• Title: VQA for Dynamic Portfolio Optimization: Sampling Strategies, Optimizer Scheduling, and Hardware-Aware Ansatz Design
• Title（参考訳）: VQA for Dynamic Portfolio Optimization: Smpling Strategies, Optimizer Scheduling, and Hardware-Aware Ansatz Design
• Authors: Mohammad Kashfi Haghighi,
• Abstract要約: 変分量子アルゴリズムは、短期量子デバイスに関連するスケールでの最適化問題のために、ますます研究されている。 その実用性能は、ハードウェアのトランスパイレーションの前後における目的、古典、およびアンザッツのレイアウトといった設計上の選択に強く依存する。 動的ポートフォリオ最適化、複数周期の金融問題バランスリターン、リスク、取引コスト、現金-利益効果、制約に関するこれらの要因について検討する。
• 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: Variational quantum algorithms are increasingly explored for optimization problems at scales relevant to near-term quantum devices. Their practical performance depends strongly on design choices such as the sampling objective, classical optimizer, and ansatz layout before and after hardware transpilation. We study these factors for dynamic portfolio optimization, a multi-period financial problem balancing return, risk, transaction costs, cash-interest effects, and constraints. Using a sampling-based VQA framework on a 150-qubit dynamic portfolio instance, we evaluate several components of the optimization workflow. We propose a specific adaptive CVaR schedule that gradually tightens the sampled tail used for optimization, together with a two-stage optimizer combining global exploration with Particle Swarm Optimization and local refinement with the Nakanishi-Fujii-Todo optimizer. We also study ansatz depth and sequential growth strategies. Finally, we introduce two hardware-aware ansatz-layout modifications: a data-guided colored layout that assigns correlated variables to qubits connected by entangling gates, and a heavy-hex-native deep-chain layout designed to increase native two-qubit interaction depth without additional routing overhead after transpilation. Simulator studies select CVaR, optimizer, and depth configurations, while the ansatz comparison is performed on the ibm_quebec QPU. The results show that sampling strategy, optimizer scheduling, and hardware-aware layout design materially affect performance. In the reported QPU layout comparison, the proposed heavy-hex-native deep-chain layout achieves the best final objective value and CVaR-tail performance among the tested layouts. Although we do not observe quantum advantage over a state-of-the-art exact classical solver, our results provide practical guidance for improving VQA performance on near-term hardware.
• Abstract（参考訳）: 変分量子アルゴリズムは、短期量子デバイスに関連するスケールでの最適化問題のために、ますます研究されている。 その実用性能は、サンプリング目的、古典的なオプティマイザ、ハードウェアのトランスパイレーション前後のアンサッツレイアウトといった設計上の選択に強く依存する。 動的ポートフォリオ最適化、複数周期の金融問題バランスリターン、リスク、取引コスト、現金-利益効果、制約に関するこれらの要因について検討する。 150キュービットの動的ポートフォリオインスタンス上のサンプリングベースのVQAフレームワークを用いて、最適化ワークフローのいくつかのコンポーネントを評価する。 そこで本研究では,グローバル探索とParticle Swarm Optimizationを併用した2段階最適化と,中西・藤井・藤井・藤堂オプティマイザを併用した局所改良を併用して,最適化に用いるサンプルテールを徐々に強化する,適応型CVaRスケジュールを提案する。 また、アンザッツ深さと連続的な成長戦略も研究している。 最後に,2つのハードウェアを意識したアンサッツ・レイアウト処理を導入し,データ誘導型カラーレイアウトにより,ゲートが絡み合う量子ビットに相関変数を割り当てる。 シミュレーションでは、CVaR、オプティマイザ、深さ設定を選択し、ibm_quebec QPU上でアンザッツ比較を行う。 その結果,サンプリング戦略,オプティマイザスケジューリング,ハードウェア対応レイアウト設計が性能に大きく影響していることが示唆された。 報告されたQPUレイアウト比較では,提案したヘキシネイティブなディープチェーンレイアウトは,テスト対象レイアウトの中で最高の最終目標値とCVaRテール性能を達成する。 最先端の古典的解法に対する量子的優位性は観測されていないが,本研究の結果は,短期ハードウェア上でのVQA性能向上のための実用的なガイダンスを提供する。

関連論文リスト

• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• Slice-Wise Initial State Optimization to Improve Cost and Accuracy of the VQE on Lattice Models [0.0]
  本稿では,適応型および物理インスピレーション型アンザッツ設計を組み合わせた変分量子固有解器(VQE)の最適化手法を提案する。 この準力学的アプローチは、演算子選択のオーバーヘッドを回避しつつ、表現性とハードウェア効率を保っている。 最大20キュービットの1次元および2次元ハイゼンベルクおよびハバードモデルのベンチマークでは、固定層VQEと比較して、忠実度の改善、機能評価の削減、あるいはその両方が示されている。
  論文  参考訳（メタデータ） (2025-09-16T12:52:23Z)
• AI-Driven Optimization of Hardware Overlay Configurations [0.0]
  本稿では,FPGAオーバレイ構成を最適化するAI駆動方式を提案する。 機械学習技術を活用することで、ハードウェアコンパイル前のさまざまな構成の実現可能性と効率を予測する。
  論文  参考訳（メタデータ） (2025-03-08T22:34:47Z)
• Gaussian process model kernels for noisy optimization in variational quantum algorithms [0.0]
  変分量子アルゴリズム(VQA)は、ノイズのある射影測定の結果に基づいて、量子デバイス上でのパラメトリック化試行状態を最適化することにより、古典的または量子最適化の問題を解決することを目的としている。 我々は、典型的なVQAコスト関数が周波数の少ない振動挙動を示すという観察から着想を得た三角カーネルを紹介した。
  論文  参考訳（メタデータ） (2024-12-17T19:05:32Z)
• Vector Optimization with Gaussian Process Bandits [7.049738935364297]
  複数の目的を同時に考慮しなければならない学習問題は、工学、薬物設計、環境管理など、様々な分野においてしばしば発生する。 複数のブラックボックスの目的関数を扱う従来の方法は、目的の選好を取り入れ、それに応じて解空間を探索することに制限がある。 ガウス過程の帯域幅を用いてブラックボックスベクトル最適化を行う適応除去アルゴリズムであるガウス過程を用いたベクトル最適化(VOGP)を提案する。
  論文  参考訳（メタデータ） (2024-12-03T14:47:46Z)
• 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)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Efficient Parabolic Optimisation Algorithm for adaptive VQE implementations [0.0]
  変分量子固有解法(VQE)は、量子コンピューティングの最も有望な応用の1つである。 VQEのニーズに特化して設計されたパラボリック・オプティマイザを導入する。
  論文  参考訳（メタデータ） (2021-10-25T09:36:56Z)
• 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。