論文の概要: Resource-Efficient Hybrid Quantum Neighborhood Selection for Large-Scale Molecular Diversity Optimization

• arxiv url: http://arxiv.org/abs/2607.07336v1
• Date: Wed, 08 Jul 2026 12:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.368325
• Title: Resource-Efficient Hybrid Quantum Neighborhood Selection for Large-Scale Molecular Diversity Optimization
• Title（参考訳）: 大規模分子多様性最適化のための資源効率の良いハイブリッド量子近傍選択
• Abstract要約: 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。
• 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 remains demanding for classical heuristics, particularly when dense Quadratic Unconstrained Binary Optimization (QUBO) formulations induce large memory footprints, high CPU utilization, and long execution times. While near-term quantum processors cannot yet deliver unconditional quantum advantage, hybrid architectures can provide practical value by reducing the resource burden. This paper presents a resource-efficiency study of Hybrid Quantum Neighborhood Selection (HQNS), a framework that decomposes large dense QUBO instances into bounded-width quantum subproblems via stochastic frontier selection. We evaluate HQNS on the Maximum Diversity Subset Selection Problem (MDSSP), focusing on the trade-off between solution quality retention and resource consumption. Benchmarks up to N=1000 candidates show that HQNS preserves 99.9908% of the mean diversity score of an 11-restart parallel Simulated Annealing baseline, while reducing wall-clock time by 94.91%, peak CPU utilization by 64.68%, and peak memory usage by 88.61%. The QPU execution time remains bounded within a 6-7 second envelope across scales, indicating that the quantum component is decoupled from the global QUBO dimension when the frontier size is fixed. These results suggest that HQNS provides a resource-aware pathway for deploying hybrid quantum optimization in practical large-scale settings, serving as an efficient architecture for incorporating near-term quantum processors into classical optimization pipelines.
• Abstract（参考訳）: 大規模な組合せ最適化は古典的ヒューリスティックには依然として必要であり、特に高密度な二次非制約バイナリ最適化(QUBO)の定式化によってメモリフットプリントが大きくなり、CPU利用率が高くなり、実行時間が長くなる。 短期量子プロセッサはまだ無条件の量子優位性を提供できないが、ハイブリッドアーキテクチャは資源負担を減らすことで実用的な価値を提供することができる。 本稿では,高密度QUBOインスタンスを確率的フロンティア選択により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Hybrid Quantum Neighborhood Selection (HQNS) の資源効率について述べる。 我々は,最大ダイバーシティ・サブセット選択問題(MDSSP)に関するHQNSを評価し,ソリューションの品質維持と資源消費のトレードオフに着目した。 N=1000候補までのベンチマークでは、HQNSは11回起動した並列Annealing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94.91%、ピークCPU使用率64.68%、ピークメモリ使用率88.61%削減している。 QPUの実行時間はスケールにわたって6-7秒のエンベロープ内に留まり、フロンティアサイズが固定されたときに量子成分がグローバルQUBO次元から切り離されることを示す。 これらの結果から,HQNSは,短期量子プロセッサを古典的な最適化パイプラインに組み込むための効率的なアーキテクチャとして機能する,大規模環境下でのハイブリッド量子最適化を実現するためのリソース対応経路を提供する可能性が示唆された。

関連論文リスト

• Hybrid Quantum Neighborhood Selection: NISQ-Compatible Combinatorial Optimization via Stochastic Frontier Decomposition [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-28T23:35:46Z)
• Automatic De-Quantization of Quantum Programs Using Constant Propagation [42.89658025409898]
  すべての量子演算は費用がかかるため、短期的なアルゴリズムにおける量子リソースの使用を最小限に抑えることが重要である。 本研究では、量子演算を可能な限り古典計算に非量子化することに焦点を当てる。 量子古典的定数伝播のためのハイブリッド状態モデルを形式化し、オープンソースのMQT Coreツールで最適化を実装し、ベンチマーク回路上で評価する。
  論文  参考訳（メタデータ） (2026-05-21T19:21:11Z)
• 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)
• Hybrid Sequential Quantum Computing [33.72751145910978]
  ハイブリッドシーケンシャル量子コンピューティング(HSQC)を導入する。 HSQCは古典的および量子的手法を構造化された段階的ワークフローに体系的に統合する。 スタンドアロンの古典的解法と比較すると、HSQCはSAの最大700倍、実行時の最大9倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-10-07T12:15:43Z)
• Hybrid Quantum-Classical Branch-and-Price Method for the Vertex Coloring Problem [0.11242503819703255]
  量子古典ブランチ・アンド・プライス(Quantum Classical Branch-and-Price、QCBP)は、中性原子量子処理ユニット(QPU)上の頂点色問題に対するハイブリッド量子古典アルゴリズムである。
  論文  参考訳（メタデータ） (2025-08-26T10:03:56Z)
• A Neural-Guided Variational Quantum Algorithm for Efficient Sign Structure Learning in Hybrid Architectures [11.258303973058377]
  変分量子アルゴリズムは、短期量子プロセッサのパワーを解き放つという大きな約束を持っている。 本稿では、古典的および量子的モジュール間で振幅と手話の学習を分離するニューラルネットワーク誘導変分量子アルゴリズムsVQNHEを紹介する。 このハイブリッド量子古典的シナジーは、測定コストを削減するだけでなく、限られた量子資源で高い表現性を達成する。
  論文  参考訳（メタデータ） (2025-07-10T08:54:49Z)
• Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
  量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。 我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
  論文  参考訳（メタデータ） (2025-05-01T14:39:26Z)
• Quantum Annealing for Combinatorial Optimization: A Benchmarking Study [39.125366249242646]
  現状の量子解法は,従来の解法よりも精度が0.013%高く,解法時間も6,561xであることを示す。 この結果から,特にハイブリッド構成において,従来のQAよりもQAを活用できるという利点が浮かび上がっている。
  論文  参考訳（メタデータ） (2025-04-08T16:43:24Z)
• Bias-field digitized counterdiabatic quantum optimization [39.58317527488534]
  我々はこのプロトコルをバイアス場デジタルダイアバティック量子最適化(BF-DCQO)と呼ぶ。 私たちの純粋に量子的なアプローチは、古典的な変分量子アルゴリズムへの依存を排除します。 基底状態の成功確率のスケーリング改善を実現し、最大2桁まで増大する。
  論文  参考訳（メタデータ） (2024-05-22T18:11:42Z)
• Black-Litterman Portfolio Optimization with Noisy Intermediate-Scale Quantum Computers [0.14732811715354452]
  我々は、ブラック・リッターマン(BL)ポートフォリオ最適化モデルにおけるサブルーチンを強化するために、ノイズのある中間スケール量子 (NISQ) アルゴリズムの実用的応用を実証する。 概念実証として、12のアセットプールから6つのアセットを選択する12キュービットの例を実装した。
  論文  参考訳（メタデータ） (2023-12-01T19:42:04Z)
• Efficient DCQO Algorithm within the Impulse Regime for Portfolio Optimization [41.94295877935867]
  本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。 提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。 我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:53:08Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)
• Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
  QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。 このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。 本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-03-11T13:52:41Z)

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。