論文の概要: Experimental implementation of continuous-variable QAOA on a quad-rail lattice cluster state

• arxiv url: http://arxiv.org/abs/2606.10432v1
• Date: Tue, 09 Jun 2026 05:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.333295
• Title: Experimental implementation of continuous-variable QAOA on a quad-rail lattice cluster state
• Title（参考訳）: クアッドレール格子クラスター状態における連続可変QAOAの実験的実装
• Authors: Shota Yokoyama, Atsushi Sakaguchi, Jun-ichi Yoshikawa, Hironari Nagayoshi, Warit Asavanant, Kan Takase, Takuji Hiraoka, Akira Furusawa, Hidehiro Yonezawa,
• Abstract要約: 連続変数量子近似最適化アルゴリズム(CV-QAOA)を複数変数問題と複数のQAOA深さに対して実験的に示す。 その結果, 1 から 2 までの深度の増加は性能を向上する一方,それ以上の増収は限られた利得しか得られないことがわかった。
• 参考スコア（独自算出の注目度）: 0.7481338856995555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We experimentally demonstrate the continuous-variable quantum approximate optimization algorithm (CV-QAOA) for multi-variable problems and multiple QAOA depths using a measurement-based CV quantum computing platform on a quad-rail lattice (QRL) cluster state. We propose a systematic method to map arbitrary quadratic cost functions onto the QRL architecture and examine the resulting construction in settings involving up to 100 modes. Using the programmable platform, we prepare the CV-QAOA ansatz and optimize the variational parameters via Bayesian optimization. We then investigate the performance on quadratic optimization problems and observe that increasing the depth from 1 to 2 improves performance, whereas further increases yield only limited gains. In contrast, numerical simulations under idealized conditions, assuming an infinite number of measurement shots and gradient-based optimization, indicate that the performance of CV-QAOA can improve with increasing depth, suggesting that the experimentally observed limitations primarily arise from noise accumulation and classical optimization challenges. This work provides an experimental demonstration of CV-QAOA on a programmable CV platform and establishes a foundation for future developments of variational quantum algorithms in CV systems.
• Abstract（参考訳）: 本研究では,多変数問題に対する連続変数量子近似最適化アルゴリズム(CV-QAOA)を,QRLクラスタ状態のCV量子コンピューティングプラットフォームを用いて実験的に実証した。 本稿では,任意の二次コスト関数をQRLアーキテクチャにマッピングし,最大100モードまでの設定で構成する手法を提案する。 プログラム可能なプラットフォームを用いて,CV-QAOAアンサッツを作成し,ベイズ最適化により変分パラメータを最適化する。 次に、2次最適化問題の性能について検討し、1から2への深さ増加が性能を向上させるのに対して、さらに利得が制限されることを観察する。 対照的に、理想的な条件下での数値シミュレーションでは、無限個の測定ショットと勾配に基づく最適化を仮定すると、CV-QAOAの性能は深度の増加とともに向上し、実験的に観察された限界は、主にノイズの蓄積と古典的な最適化の課題から生じることを示唆している。 本研究は,プログラム可能なCVプラットフォーム上でのCV-QAOAの実験実験を行い,CVシステムにおける変動量子アルゴリズムの今後の発展のための基盤を確立する。

関連論文リスト

• 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)
• Low Cost Bayesian Experimental Design for Quantum Frequency Estimation with Decoherence [45.74830585715129]
  WES: 低コスト適応型ベイズ実験設計のためのウィンドウ拡張戦略を紹介する。 我々は、最適化のオーバーヘッドを低く抑え、スケーリング問題を抑え、高い並列性を実現するために、実証的なコスト削減技術を採用している。 数値シミュレーションにより、WESはハイゼンベルク限界を飽和させ、最も信頼性の高い性能と学習速度を提供することが示された。
  論文  参考訳（メタデータ） (2025-08-09T23:41:58Z)
• Optimization Strategies for Variational Quantum Algorithms in Noisy Landscapes [0.061173711613792085]
  変分量子アルゴリズム(VQA)は、短期量子コンピューティングにおける主要なアプローチである。 我々は変分量子ソルバ(VQE)のための50以上のメタヒューリスティックアルゴリズムをベンチマークした。 その結果、ノイズの多いVQEのための小さなレジリエントアルゴリズムを特定し、短期量子デバイス上での最適化戦略のガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-06-02T14:22:30Z)
• Branch-and-bound digitized counterdiabatic quantum optimization [39.58317527488534]
  分岐とバウンドのアルゴリズムは、厳密な下界を得るために目的関数の緩和に依存する凸最適化問題を効果的に解く。 本稿では,緩和困難に対処する分枝・分枝・分枝・分枝・分枝対応量子最適化法 (BB-DCQO) を提案する。
  論文  参考訳（メタデータ） (2025-04-21T18:19:19Z)
• Proactively incremental-learning QAOA [9.677961025372115]
  逐次学習に基づく量子近似最適化アルゴリズム(QAOA)を提案する。 本手法は, 近似比(AR)とトレーニング時間において, 一般的なQAOAよりも優れた性能を有する。
  論文  参考訳（メタデータ） (2023-11-04T02:15:26Z)
• Soft Convex Quantization: Revisiting Vector Quantization with Convex Optimization [40.1651740183975]
  ベクトル量子化(VQ)の直接代用として,ソフト凸量子化(SCQ)を提案する。 SCQは微分凸最適化(DCO)層のように機能する。 CIFAR-10, GTSRB, LSUNデータセット上での有効性を示す。
  論文  参考訳（メタデータ） (2023-10-04T17:45:14Z)
• Q-FW: A Hybrid Classical-Quantum Frank-Wolfe for Quadratic Binary Optimization [44.96576908957141]
  本稿では,量子コンピュータ上での2次線形反復問題を解くために,フランク・ウルフアルゴリズム(Q-FW)に基づく古典量子ハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-23T18:00:03Z)
• Practical Continuous-variable Quantum Key Distribution with Feasible Optimization Parameters [19.571035318944674]
  連続可変量子鍵分布(CV-QKD)は、大都市圏の潜在的秘密鍵レート(SKR)を達成するためのアプローチを提供する。 そこで本研究では, CV-QKDシステムの性能向上のために, 変調分散と誤差補正行列最適化を組み合わせた系統最適化手法を提案する。 その結果, CV-QKD方式のSKRは, 理論的には50kmの伝送距離で, 従来よく用いられてきた最適化手法と比較して24%, 200%向上可能であることがわかった。
  論文  参考訳（メタデータ） (2021-11-25T06:48:54Z)
• Empirical performance bounds for quantum approximate optimization [0.27998963147546135]
  パフォーマンスバウンダリの定量化は、QAOAが現実のアプリケーションの解決に有効である可能性についての洞察を提供する。 QAOA は、ほとんどのグラフに対して有界な Goemans-Williamson 近似比を超える。 得られたデータセットは、QAOAパフォーマンスに関する経験的バウンダリを確立するためのベンチマークとして提示される。
  論文  参考訳（メタデータ） (2021-02-12T23:12:09Z)
• Layer VQE: A Variational Approach for Combinatorial Optimization on Noisy Quantum Computers [5.644434841659249]
  変分量子固有解法(VQE)に触発された反復層VQE(L-VQE)アプローチを提案する。 L-VQE は有限サンプリング誤差に対してより堅牢であり,標準的な VQE 手法と比較して解を見つける確率が高いことを示す。 シミュレーションの結果,L-VQEは現実的なハードウェアノイズ下では良好に動作していることがわかった。
  論文  参考訳（メタデータ） (2021-02-10T16:53:22Z)

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。