論文の概要: Hybrid quantum-classical end-to-end pipeline for solving MILPs: a vehicle routing case study
- arxiv url: http://arxiv.org/abs/2607.26771v1
- Date: Wed, 29 Jul 2026 11:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.648569
- Title: Hybrid quantum-classical end-to-end pipeline for solving MILPs: a vehicle routing case study
- Title（参考訳）: MILPを解くハイブリッド量子古典的エンドツーエンドパイプライン--車両ルーティングケーススタディ
- Abstract要約: 混合整数線形プログラミング(MILP)問題を解くことができるエンドツーエンドのハイブリッド量子古典最適化フレームワークについて述べる。
このフレームワークは、Multiple Solutions (MCMS) Benders分解によるMultiple Cutsに基づく、以前に提示されたハイブリッドな量子古典的なエンドツーエンドパイプラインの上に構築されている。
我々はこれを、テンソルネットワークエミュレータと超伝導量子ハードウェアの両方のためのゲートベースのQAOA実装で拡張する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We demonstrate an end-to-end hybrid quantum-classical optimisation framework based on Benders decomposition, capable of solving mixed-integer linear programming (MILP) problems. The framework builds on a previously presented hybrid quantum-classical end-to-end pipeline based on Multiple Cuts via Multiple Solutions (MCMS) Benders decomposition where the cut selection step was performed on quantum annealing hardware. We extend this with gate-based QAOA implementations for both tensor network emulators and superconducting quantum hardware. The Vehicle Routing Problem (VRP) is used as a representative case study and we run the pipeline end-to-end on 10 permutations of a standardised benchmarking instance (20 customers and 4 vehicles from QOptLib) with a classical solver performing the cut selection step. We find that for our instances, only a small fraction of the compute in classical MCMS Benders decomposition is spent on the cut selection step. For a full hybrid end-to-end assessment, we run the pipeline for a toy problem with MPS-JuliQAOA, a powerful tensor network emulator, to execute QAOA. Here, the majority of the time is spent on the cut selection step, deeming quantum advantage of this framework unlikely at problems of this size. This highlights the need for more large-scale benchmarking research when more powerful (QPU) QUBO solvers are available.
- Abstract（参考訳）: 我々は、Benders分解に基づくエンドツーエンドのハイブリッド量子古典最適化フレームワークを実演し、混合整数線形プログラミング(MILP)問題を解く。
このフレームワークは、Multiple Cuts via Multiple Solutions (MCMS) Bendersの分解に基づいて、以前に提示された量子古典的なエンドツーエンドパイプライン上に構築されている。
我々はこれを、テンソルネットワークエミュレータと超伝導量子ハードウェアの両方のためのゲートベースのQAOA実装で拡張する。
車両ルーティング問題 (VRP) は代表的なケーススタディとして用いられ, 標準的なベンチマークインスタンス (QOptLibの20の顧客と4台の車両) の10の順にパイプラインをエンドツーエンドに実行し, 古典的な解法がカット選択ステップを実行する。
我々の例では、古典的MCMS Benders分解における計算のごく一部だけがカット選択に費やされている。
完全ハイブリッド・エンド・ツー・エンド・アセスメントでは,強力なテンソルネットワークエミュレータであるMPS-JuliQAOAを用いて,玩具問題のためのパイプラインを実行し,QAOAを実行する。
ここでは、ほとんどの時間はカット選択のステップに費やされ、このフレームワークの量子的優位性は、このサイズの問題ではありそうにない。
これは、より強力な(QPU)QUBOソルバが利用可能である場合に、より大規模なベンチマーク研究の必要性を強調している。
関連論文リスト
- A hybrid quantum-classical neural network for learning to route [36.95397691288925]
本研究では、ルーティング学習のためのハイブリッド量子古典ニューラルネットワークについて研究する。
静電容量化車両の経路問題では、エンコーダのフィードフォワード交換が最も有望な設計として現れる。
論文 参考訳（メタデータ） (2026-08-31T23:36:36Z) - Hardware-Efficient Quantum Optimization for Transportation Networks via Compressed Adiabatic Evolution [1.409283414986451]
都市物流、車両のルーティング、インフラ計画といった交通システムは、複雑な制約の下で大規模な最適化問題を解く必要がある。
我々は,AQC(Approximate Quantum Compilation)を用いて,デジタル化されたアディベート進化の初期セグメントを浅部回路に圧縮するハードウェア基底型ハイブリッド量子最適化フレームワークを開発した。
その結果、中程度のプレフィックス圧縮は、特にルーティング問題に対して、実現可能な解を維持したり改善したりしながら、2ビットゲート深さを減少させることがわかった。
論文 参考訳（メタデータ） (2026-04-28T23:45:54Z) - Iterative Optimization with Partial Convergence Guarantees on Neutral Atom Quantum Computers [0.0]
Lp-Qutsは、NAQCサンプルラーを古典的な切断平面アルゴリズムに統合するハイブリッド量子古典的フレームワークである。
我々は、Lp-Qutsを古典最適化フレームワークに効果的に組み込んで、量子資源を減らした準最適解を提供する方法を示す。
論文 参考訳（メタデータ） (2026-03-30T19:12:21Z) - 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) - 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) - Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering [41.94295877935867]
量子解法と古典解法をともに実装し,その有効性を比較する。
特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案する。
事例選択では,既存手法を拡張した事例レベルの重要度尺度を提案する。
クラスタリングには古典的クラスタリングとQUBOベースのメドイドリファインメントを併用した古典的量子パイプラインを組み込む。
論文 参考訳（メタデータ） (2025-07-20T17:59:14Z) - QUEST: QUantum-Enhanced Shared Transportation [0.20999222360659608]
textbfQUEST (Quantum-Enhanced Shared Transportation) について紹介する。
混合整数二次問題(MIQP)としてのウインドブレーカーとウィンドサーファーのペアリングを定式化する。
古典的には、グロビをベースとした解法であるハンガリーアルゴリズムと、二進ベクトルのブルートフォース列挙によって解を検証している。
我々の量子実装は、古典的手法によって同定された最適な割り当てをうまく回復する。
論文 参考訳（メタデータ） (2025-05-12T21:19:19Z) - Evaluating Quantum Optimization for Dynamic Self-Reliant Community Detection [3.6021182997326022]
量子計算カラーブルーを用いて解くのに適した二次非拘束バイナリ最適化(QUBO)問題を定式化する。
この定式化は、最大自己充足力とそれらの間を流れる最小限のパワーを持つコミュニティを見つけることを目的としている。
D-Waveのハイブリッド量子古典解法、古典解法、分枝結合解法などである。
論文 参考訳（メタデータ） (2024-07-09T11:44:58Z) - Qubit efficient quantum algorithms for the vehicle routing problem on
NISQ processors [48.68474702382697]
時間窓付き車両ルーティング問題(VRPTW)は、ロジスティクス業界で直面する一般的な最適化問題である。
そこで本研究では,以前に導入した量子ビット符号化方式を用いて,バイナリ変数の数を削減した。
論文 参考訳（メタデータ） (2023-06-14T13:44:35Z) - 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) - Supply Chain Logistics with Quantum and Classical Annealing Algorithms [0.0]
ノイズの多い中間スケール量子(NISQ)ハードウェアは、実用上重要なフルスケール最適化問題とほとんど互換性がない。
本研究では,サプライチェーンのロジスティクスにおいて,企業の運用規模において,実質的な商業価値,多輪車経路の問題について検討する。
我々の研究は、NASQデバイスをハイブリッド方式で応用するための車両ルーティング以外のコンテキストに適用可能な一連の技術を提供し、商業的関心事の大規模問題に応用する。
論文 参考訳（メタデータ） (2022-05-09T17:36:21Z) - 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)
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。