論文の概要: Emergent Problem-Graph Alignment in RL-Discovered Entanglement Topologies for QAOA
- arxiv url: http://arxiv.org/abs/2608.07686v1
- Date: Fri, 07 Aug 2026 18:17:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.475754
- Title: Emergent Problem-Graph Alignment in RL-Discovered Entanglement Topologies for QAOA
- Title（参考訳）: RL-Discovered Entanglement Topologies for QAOAにおける創発的問題グラフアライメント
- Abstract要約: 本稿では,QAOAをベースとしたMaxCut最適化において,問題グラフに直接アクセスすることなく,より効果的な絡み合いトポロジを学習エージェントが発見できるかどうかを検討する。
この結果から,トポロジー密度に支配されるトレーサビリティ-表現トレードオフが明らかとなり,変動最適化のランドスケープがハミルトニアン問題に関する構造情報を暗黙的にエンコードしていることが示唆された。
- 参考スコア（独自算出の注目度）: 3.03715087930992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the Quantum Approximate Optimization Algorithm (QAOA), the entanglement topology, where qubit pairs are connected by two-qubit gates, is conventionally set equal to the edge set of the problem graph. This coupling ties circuit design to explicit problem knowledge and may not yield the most trainable circuit under limited optimization budgets. We investigate whether a reinforcement learning (RL) agent can discover more effective entanglement topologies for QAOA-based MaxCut optimization without direct access to the problem graph. A Masked Proximal Policy Optimization agent sequentially places IsingZZ gates to construct a circuit topology, while a variational inner loop optimizes the resulting QAOA parameters and returns the approximation ratio as a sparse terminal reward. The agent's observation contains only the edges placed so far and the current approximation ratio; graph structure can only be inferred indirectly through the optimization reward. On Erdős--Rényi instances with up to $10$~qubits, the agent consistently converges to topologies that are strict subsets of the problem graph, achieving overlap ratios approaching $1.0$, despite receiving no explicit information about the graph structure in its observations. These sparse, problem-aligned topologies outperform the full graph topology and several structural baselines when the optimization budget is limited ($50$~gradient steps), but are overtaken by denser topologies given sufficient optimization budget. Our results reveal a trainability--expressibility trade-off governed by topology density and suggest that the variational optimization landscape implicitly encodes structural information about the problem Hamiltonian.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)では、量子ビット対を2量子ゲートで接続する絡み合い位相は、従来の問題グラフのエッジセットに等しいように設定されている。
この結合は回路設計を明示的な問題知識に結び付け、限られた最適化予算の下で最も訓練可能な回路を得ることはできない。
問題グラフに直接アクセスすることなく,QAOAに基づくMaxCut最適化のために,強化学習(RL)エージェントがより効果的な絡み合いトポロジを発見できるかどうかを検討する。
Masked Proximal Policy Optimizationエージェントは、IsingZZゲートを順次配置して回路トポロジを構築する一方、変分内ループは結果のQAOAパラメータを最適化し、スパース端末報酬として近似比を返す。
エージェントの観察は、これまで配置されたエッジと現在の近似比のみを含み、グラフ構造は最適化報酬によって間接的にしか推測できない。
最大10$~qubitsのエルデシュ=レーニのインスタンスでは、エージェントは問題グラフの厳密な部分集合である位相に一貫して収束し、グラフ構造に関する明示的な情報を受け取らず、1.0$に近づく重複比を達成している。
これらのスパースで問題に整合したトポロジは、最適化予算が制限された場合(50$~gradient steps)、完全なグラフトポロジといくつかの構造的ベースラインを上回るが、十分な最適化予算が与えられたとき、より密集したトポロジに取って代わられる。
この結果から,トポロジー密度に支配されるトレーサビリティ-表現性トレードオフが明らかとなり,変動最適化のランドスケープがハミルトニアン問題に関する構造情報を暗黙的にエンコードしていることが示唆された。
関連論文リスト
- Neural QAOA$^{2}$: Differentiable Joint Graph Partitioning and Parameter Initialization for Quantum Combinatorial Optimization [3.7086487199744127]
本稿では,グラフ分割と初期パラメータを協調的に生成するエンドツーエンドの微分可能なフレームワークであるNeural QAOA$2$を提案する。
生成的評価ネットワーク(generative Evaluative Network, GEN)を統合することにより, 微分可能な量子評価器を高忠実度性能サロゲートとして利用する。
183 QUBO、Ising、MaxCutのインスタンス(21から1000変数)の実験は、勾配駆動のアプローチがベースラインを大きく上回ることを示した。
論文 参考訳（メタデータ） (2026-05-13T06:43:10Z) - On the Complexity of Optimal Graph Rewiring for Oversmoothing and Oversquashing in Graph Neural Networks [2.8427946758947304]
グラフニューラルネットワーク(GNN)は、ディープアーキテクチャへのスケールアップにおいて、2つの根本的な課題に直面している。
オーバースムーシングとオーバースキャッシングは、基礎となるグラフ構造と密接に結びついている。
本稿では,そのようなグラフ構造最適化の計算複雑性について理論的に考察する。
論文 参考訳（メタデータ） (2026-03-27T07:50:42Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Extending QAOA-GPT to Higher-Order Quantum Optimization Problems [0.0]
我々はQAOA-GPTを高次非制約バイナリ最適化問題に拡張する。
我々は、ADAPT-QAOAを介して生成されたグラフ回路対に基づいてモデルをトレーニングし、重ヘックス格子上に埋め込まれた8ビットおよび16ビットのインスタンスの性能を評価する。
その結果、QAOA-GPTは高次コストハミルトニアンや複雑なエネルギー景観に効果的に一般化することを示した。
論文 参考訳（メタデータ） (2025-11-10T18:46:38Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - Learning to Solve Combinatorial Graph Partitioning Problems via
Efficient Exploration [72.15369769265398]
実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。
最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
論文 参考訳（メタデータ） (2022-05-27T17:13:10Z) - Parameters Fixing Strategy for Quantum Approximate Optimization
Algorithm [0.0]
そこで本稿では,QAOAをパラメータとして初期化することで,回路深度が大きければ平均で高い近似比を与える手法を提案する。
我々は3つの正則グラフやエルド・オス=ルネニグラフのようなグラフのある種のクラスにおけるマックスカット問題に対する我々の戦略をテストする。
論文 参考訳（メタデータ） (2021-08-11T15:44:16Z) - Distributed stochastic optimization with large delays [59.95552973784946]
大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。
DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
論文 参考訳（メタデータ） (2021-07-06T21:59:49Z) - Solving correlation clustering with QAOA and a Rydberg qudit system: a
full-stack approach [94.37521840642141]
量子近似最適化アルゴリズム(QAOA)とクォーディットを用いた相関クラスタリング問題について検討する。
具体的には、中性原子量子コンピュータを検討し、相関クラスタリングのためのフルスタックアプローチを提案する。
ゲート数によって定量化されるように、quditの実装はqubitエンコーディングよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-22T11:07:38Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z)
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。