論文の概要: Implicit Differentiation for Measurement-Efficient Bilevel Quantum-Classical Optimization

• arxiv url: http://arxiv.org/abs/2608.07717v1
• Date: Fri, 07 Aug 2026 19:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.484295
• Title: Implicit Differentiation for Measurement-Efficient Bilevel Quantum-Classical Optimization
• Title（参考訳）: 測定効率の良い量子古典最適化のための暗黙差分法
• Abstract要約: 本稿では,変分量子アルゴリズム(VQA)がパラメトリック問題を効率的に扱う方法を示す。 可変外パラメータに依存する対角的コストハミルトニアンの2レベル最適化モデルを提案する。 3つのファミリーでの実験では、CR-IDは予算正規化効率を1Dで4%、多次元設定で14%向上している。
• 参考スコア（独自算出の注目度）: 2.5234274237739402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum optimization has shown promising results for quadratic unconstrained binary optimization (QUBO) problems. Real-world applications, however, often involve polynomial coefficients that depend on tunable external factors - such as demand forecasts or risk preferences - giving rise to bilevel optimization structures. We show how variational quantum algorithms (VQAs) can efficiently handle such parametric problems, making three contributions. First, we propose a bilevel optimization model for diagonal cost Hamiltonians where coefficients depend on a tunable outer parameter: an outer loop adjusts this parameter - reshaping the cost landscape - while an inner VQA optimizes circuit variables. Second, since derivative-free probing methods incur a multiplicative overhead when each outer evaluation requires a complete inner solve, we develop correlator-reuse implicit differentiation (CR-ID), which obtains outer gradients by reusing quantum measurements already collected during inner energy estimation, requiring essentially no additional circuit executions. Experiments across three coefficient families show that CR-ID consistently improves budget-normalized efficiency by ~4\% in 1D and over 14\% in multi-dimensional settings, showing a significant performance advantage compared to finite-difference methods. Third, we show that this property is architecture-dependent: VQE admits exact reuse gradients, whereas QAOA introduces a state-dependent term that creates a cost-bias trade-off.
• Abstract（参考訳）: 量子最適化は2次非制約バイナリ最適化(QUBO)問題に対して有望な結果を示した。 しかし、現実の応用では、需要予測やリスク優先といった調整可能な外部要因に依存する多項式係数が伴うことが多く、二段階最適化構造がもたらされる。 本稿では, 変分量子アルゴリズム(VQA)がこれらのパラメトリック問題を効率的に処理し, 3つのコントリビューションを行う方法を示す。 まず,外ループがこのパラメータを調整し,内部のVQAは回路変数を最適化する。 第2に、各外部評価が完全な内部解を必要とする場合、微分自由なプローブ法が乗算オーバーヘッドを発生させるため、内部エネルギー推定中に既に収集された量子測定を再利用して外部勾配を求める相関器再利用暗黙差分法(CR-ID)を開発する。 3つの係数族に対する実験により、CR-IDは1次元で約4\%、多次元環境では14\%の予算正規化効率を一貫して改善し、有限差分法と比較して大きな性能上の優位性を示した。 第3に、この性質はアーキテクチャに依存していることを示し、VQEは正確な再利用勾配を認め、一方QAOAはコストバイアストレードオフを生み出す状態依存用語を導入します。

関連論文リスト

• Formulation-Level Auto-Tuning for QUBO-Based Machine Learning: A Case Study Across Multiple Quantum-Inspired Annealers [0.0]
  本稿では,サポートベクトルマシン(SVM)のためのOptunaベースの定式化レベル自動チューニングフレームワークを提案する。 連続双対変数は離散化され、2次非制約バイナリ最適化(QUBO)モデルに変換される。 0-20%のラベルノイズを持つ線形および非線形分類タスクの実験では, それぞれ0.8点と2.1点のグリッド探索よりも平均的なゲインが得られた。
  論文  参考訳（メタデータ） (2026-07-21T06:56:43Z)
• Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
  トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。 我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。 これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:30:23Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Variational Entropic Optimal Transport [67.76725267984578]
  本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。 VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。 合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
  論文  参考訳（メタデータ） (2026-02-02T15:48:44Z)
• Transferring linearly fixed QAOA angles: performance and real device results [0.0]
  線形パラメータ化とパラメータ転送を組み合わせ,パラメータ空間を4次元に減らした簡易な手法について検討する。 本稿では,この手法と標準QAOAと,逐次層ごとの最適化を必要とするInterfacePやFOURIERなどのパラメータ設定手法を比較した。 我々の実験は古典シミュレーションからIBMのイーグルプロセッサ上での実際の量子ハードウェア実装まで拡張し、現在のNISQデバイス上でのアプローチの可能性を実証した。
  論文  参考訳（メタデータ） (2025-04-17T04:17:51Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Iterative Interpolation Schedules for Quantum Approximate Optimization Algorithm [1.845978975395919]
  本稿では,最適パラメータスケジュールの滑らかさを関数に基づいて表現することで,反復的手法を提案する。 提案手法は,現在の手法よりも少ない最適化ステップで性能の向上を実証する。 最大のLABSの場合、1000層を超えるスケジュールでほぼ最適のメリットを達成できます。
  論文  参考訳（メタデータ） (2025-04-02T12:53:21Z)
• Pathwise optimization for bridge-type estimators and its applications [49.1574468325115]
  パスワイズ法は、ペナライズされた推定器の完全な経路を効率的に計算することができる。 これらのアルゴリズムを離散時間で観測されたプロセスのペナル化推定に適用する。
  論文  参考訳（メタデータ） (2024-12-05T10:38:29Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• 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)
• Continuous black-box optimization with quantum annealing and random subspace coding [2.839269856680851]
  ベイズ最適化のようなブラックボックス最適化アルゴリズムは、基礎関数の推論と獲得関数の最適化を交互に行い、未知関数の極端を見つける。 高次元空間では、そのようなアルゴリズムは獲得関数の最適化が困難であるため、性能が劣る。 連続ブラックボックス最適化の難しさを克服するために量子アニールを適用する。
  論文  参考訳（メタデータ） (2021-04-30T06:19:07Z)
• Interior Point Solving for LP-based prediction+optimisation [14.028706088791473]
  線形プログラミングのインテリア・ポイント・ソルバで広く使われているような、より原理化された対数障壁項の使用について検討する。 我々の手法は、Willerらの最先端QPTL(Quadratic Programming Task Los)とElmachtoubとGrigasのSPOアプローチよりも優れている。
  論文  参考訳（メタデータ） (2020-10-26T23:05:21Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。