論文の概要: Hybrid Quantum Neighborhood Selection: NISQ-Compatible Combinatorial Optimization via Stochastic Frontier Decomposition

• arxiv url: http://arxiv.org/abs/2606.29647v1
• Date: Sun, 28 Jun 2026 23:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.997188
• Title: Hybrid Quantum Neighborhood Selection: NISQ-Compatible Combinatorial Optimization via Stochastic Frontier Decomposition
• Title（参考訳）: ハイブリッド量子近傍選択:確率フロンティア分解によるNISQ-Compatible Combinatorial Optimization
• Abstract要約: 本研究は、Hybrid Quantum Neighborhood Selection (HQNS)を紹介する。 HQNSはステージ毎にFN活性変数のコンパクトフロンティアを選択し、残りを縮小QUBO係数に凍結する。 最大ダイバーシティ・サブセット選択問題(MDSSP)のHQNSを6つの尺度で最大1000まで評価した。
• 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: Large-scale combinatorial optimization is a challenge for near-term quantum computing because dense Quadratic Unconstrained Binary Optimization (QUBO) formulations yield interaction graphs that exceed the limits of NISQ processors. This work introduces Hybrid Quantum Neighborhood Selection (HQNS), a hybrid framework mitigating this via stochastic frontier decomposition. Instead of encoding all N variables into a monolithic circuit, HQNS selects a compact frontier of F << N active variables per stage, freezing the rest into reduced QUBO coefficients. A multi-stage crawling procedure rotates these frontiers, letting local quantum subproblems refine a global solution. We evaluate HQNS on the Maximum Diversity Subset Selection Problem (MDSSP) across six scales, N up to 1000. Circuit burden is reduced from the dense QAOA requirement of O(N^2) two-qubit terms per layer to O(F^2) per stage, with total complexity governed by the number of stages and classical overhead. Benchmarks show that HQNS achieves competitive solution quality relative to parallel simulated annealing (SA) while maintaining bounded circuit width and stable QPU time. In the N=1000 benchmark over ten executions, HQNS preserves 99.9908% of the mean diversity score of an 11-restart parallel SA baseline, while reducing wall-clock time by 65.03%, peak CPU usage by 55.97%, and peak memory by 35.21%. Ablation shows performance depends on frontier size, warm-starts, CVaR filtering, and stochastic rotation. These results demonstrate that structured frontier decomposition makes variational optimization executable for dense QUBO instances unsuitable for direct QAOA on present hardware.
• Abstract（参考訳）: 大規模組合せ最適化は、NISQプロセッサの限界を超える相互作用グラフを生成する密度の擬似非制約バイナリ最適化 (QUBO) により、短期量子コンピューティングの課題である。 この研究は、確率的フロンティア分解によってこれを緩和するハイブリッドフレームワークであるHybrid Quantum Neighborhood Selection (HQNS)を導入している。 すべてのN変数をモノリシック回路に符号化する代わりに、HQNSはF<<Nの活性変数をステージごとにコンパクトなフロンティアを選択し、残りの変数を減らしたQUBO係数に凍結する。 多段階のクローリング手順はこれらのフロンティアを回転させ、局所的な量子サブプロブレムが大域的な解を洗練させる。 最大ダイバーシティ・サブセット選択問題(MDSSP)のHQNSを6つの尺度で最大1000まで評価した。 回路負荷は、層当たりのO(N^2)2ビット項の高密度QAOA要求から、ステージ当たりのO(F^2)に減少し、ステージ数と古典的オーバーヘッドによって総複雑性が支配される。 ベンチマークの結果,HQNS は有界回路幅と安定なQPU時間を維持しつつ,並列模擬アニール (SA) に対して競合解の質を達成できることがわかった。 N=1000ベンチマークでは、HQNSは11回起動したSAベースラインの平均ダイバーシティスコアの99.9908%を保存し、ウォールクロック時間を65.03%、ピークCPU使用時間を55.97%、ピークメモリを35.21%削減した。 アブレーションは、フロンティアサイズ、ウォームスタート、CVaRフィルタリング、確率回転に依存する。 これらの結果は、構造化フロンティア分解により、現在のハードウェア上での直接QAOAには適さない高密度QUBOインスタンスに対して変動最適化が実行可能であることを示す。

関連論文リスト

• A Hybrid Quantum-Classical Coordination Architecture for Portfolio Optimization via Global Context Injection [2.4660652494309936]
  ポートフォリオ最適化のための短期量子および量子に着想を得た解法は、厳密なサイズ制約の下での局所的なサブプロブレム実行に依存している。 本研究では,1ショットの静的分解と全行列最適化を併用した,軽量なハイブリッド量子古典座標層であるContext-Aware Folding (CAF)を提案する。 CAFは、各局所的なサブプロブレムに圧縮されたグローバルリスク状態を状態依存線形バイアスを介して注入し、グローバルなコミットメントから局所的な候補生成を分離し、シーケンシャルな受け入れルールを保持する。
  論文  参考訳（メタデータ） (2026-09-14T15:12:22Z)
• Resource-Efficient Hybrid Quantum Neighborhood Selection for Large-Scale Molecular Diversity Optimization [0.0]
  HQNS(Hybrid Quantum Neighborhood Selection)は、高密度QUBOインスタンスを有界幅量子サブプロブレムに分解するフレームワークである。 HQNSは11リスタートの並列アニーリングベースラインの平均ダイバーシティスコアの99.9908%を保存し、ウォールタイム時間を94.91%、ピークCPU使用率64.68%、ピークメモリ使用率88.61%を削減している。
  論文  参考訳（メタデータ） (2026-07-08T12:25:47Z)
• EQE-QAOA: An Equivalence-Preserving Qubit Efficient Framework for Combinatorial Optimization [54.05451096499336]
  既存の技術は情報損失のコストで量子ビットの削減に依存しており、計算性能は劣化している。 等価保存量子ビット効率QAOAを提案し、性能を劣化させることなく必要なキュービット数を著しく削減する。 完全独立変数を持つ非制約問題を除いて,大規模最適化問題に広く適用可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-20T13:57:49Z)
• 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)
• Quantum Approximate Optimization Algorithm with Fixed Number of Parameters [0.0]
  我々は新しい量子最適化パラダイム、FPC-QAOA(Fixed-Count Approximate Quantum Optimization Algorithm)を導入する。 スケーラブルな変分フレームワークであり、量子ビットの数、ハミルトン複雑性、回路深さに関わらず、一定の数のトレーニング可能なパラメータを保持する。 我々は、ランダムなMaxCutインスタンスとTail Assignment ProblemのFPC-QAOAをベンチマークし、標準的なQAOAに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2025-12-24T14:02:31Z)
• Hybrid Quantum-Classical Optimisation of Traveling Salesperson Problem [0.0]
  本稿では,変分量子固有解法(VQE)の最適化と古典的機械学習を統合するハイブリッド量子古典的フレームワークを提案する。 Qiskit の AerSimulator と ibm_kyiv 127-qubit バックエンドを用いて,80 のヨーロッパ都市におけるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2025-09-30T13:26:12Z)
• A Depth-Independent Linear Chain Ansatz for Large-Scale Quantum Approximate Optimization [19.43182259360486]
  本稿では, 線形連鎖 QAOA の変種を提案するとともに, 従来の QAOA のパラダイムである MaxCut 問題に対して, その優位性を実証する。 アンザッツでは、元のMaxCutグラフから線形鎖を見つけ、この鎖に沿ってエンタングゲートを順次配置する。 この線形鎖アンサッツは、浅い量子回路と、問題の大きさとは独立にスケールする低い実行時間によって特徴付けられる。
  論文  参考訳（メタデータ） (2025-09-22T00:33:54Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Distribution-Flexible Subset Quantization for Post-Quantizing Super-Resolution Networks [68.83451203841624]
  本稿では,超高分解能ネットワークのためのポストトレーニング量子化手法であるDFSQを提案する。 DFSQは活性化のチャネルワイド正規化を行い、分布フレキシブルなサブセット量子化(SQ)を適用する 6ビットの量子化と8ビットの量子化では完全精度に匹敵する性能を達成し、4ビットの量子化では0.1dBのPSNR低下しか生じない。
  論文  参考訳（メタデータ） (2023-05-10T04:19:11Z)
• An Expressive Ansatz for Low-Depth Quantum Approximate Optimisation [0.23999111269325263]
  量子近似最適化アルゴリズム(QAOA)は、最適化問題を解くために用いられるハイブリッド量子古典アルゴリズムである。 QAOAはNISQデバイスに実装できるが、物理的制限は回路深さを制限し、性能を低下させる。 この研究は、より古典的なパラメータをアンサッツに割り当て、低深さでの性能を改善するeXpressive QAOA (XQAOA)を導入している。
  論文  参考訳（メタデータ） (2023-02-09T07:47:06Z)
• QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum machines [81.4597482536073]
  量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。 量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。 提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2022-05-24T03:49:10Z)
• Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
  形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。 本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
  論文  参考訳（メタデータ） (2021-05-06T17:59:38Z)
• Large-scale Quantum Approximate Optimization via Divide-and-Conquer [8.733794945008562]
  グラフ最大カット問題(MaxCut)の課題に対処するため,Divide-and-Conquer QAOA(DC-QAOA)を提案する。 DC-QAOAは97.14%の近似比(20.32%)を達成する また、従来のQAOAの時間的複雑さを指数関数から二次的に減少させる。
  論文  参考訳（メタデータ） (2021-02-26T03:10:30Z)

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。