論文の概要: Quantum Preconditioning For Constrained Optimization Problems
- arxiv url: http://arxiv.org/abs/2608.28842v1
- Date: Fri, 28 Aug 2026 20:23:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.765695
- Title: Quantum Preconditioning For Constrained Optimization Problems
- Title（参考訳）: 制約付き最適化問題に対する量子プレコンディショニング
- Abstract要約: 制約付き最適化問題に対する量子プレコンディショニングの効果について検討する。
提案手法では, 決定変数間の2点相関を利用して, 修正対象関数を構成する。
濃密で重み付けされた完全グラフインスタンスの実験では、プレコンディショニングされた問題インスタンスは、ほぼ最適解に達することが示されている。
- 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: We study the effect of quantum preconditioning on constrained combinatorial optimization problems, focusing on balanced graph bi-partitioning. The proposed approach uses two-point correlations between decision variables derived from the Quantum Approximate Optimization Algorithm (QAOA) to construct a modified objective function that is subsequently provided to mixed-integer programming (MIP) solvers. The preconditioned MIP formulation retains the original hard constraint, and all incumbent solutions are evaluated under the original objective. Computational experiments on dense, weighted complete-graph instances show that the preconditioned problem instances reach near-optimal solutions faster, with most of the benefit already realized at the shallowest QAOA depth tested. Solver callback trajectories show this arises from earlier discovery of high-quality incumbents during the solution search. These results support a hybrid optimization framework in which quantum algorithms provide problem-specific information to guide classical exact MIP solvers.
- Abstract（参考訳）: 量子プレコンディショニングが制約付き組合せ最適化問題に与える影響について検討し、バランス付きグラフ二分割に着目した。
提案手法は、量子近似最適化アルゴリズム(QAOA)から導出される決定変数間の2点相関を用いて、その後、混合整数計画法(MIP)の解法に提供される修正対象関数を構築する。
事前条件付きMIP定式化は、元のハード制約を保持し、すべての既存の解は、元の目的の下で評価される。
高密度で重み付けされた完全グラフインスタンスの計算実験により、プリコンディショニングされた問題インスタンスは、最も浅いQAOA深度で既に実現済みの、ほぼ最適解に達することが示されている。
ソルバーコールバック軌道は、解探索中に高品質な既存物質の早期発見からこの現象が生じたことを示している。
これらの結果は、量子アルゴリズムが古典的正確なMIP解法を導くために問題固有の情報を提供するハイブリッド最適化フレームワークをサポートする。
関連論文リスト
- CVaR-Assisted Custom Penalty Function for Constrained Optimization [3.652509571098291]
制約付き最適化問題は2次非制約二元最適化(QUBO)モデルとして頻繁に修正される。
標準QUBOの定式化は、スラック変数と二次罰則を通じて不等式制約を強制する。
補助スラック変数を除去する制約付きバイナリ最適化のためのスラックフリーペナルティの定式化を提案する。
論文 参考訳（メタデータ） (2026-04-22T01:08:38Z) - An Introduction to the Quantum Approximate Optimization Algorithm [51.56484100374058]
チュートリアルは変分量子回路とQUBO問題の概要から始まる。
次に、ハミルトンの定式化、ゲート分解、サンプル応用など、QAOAの詳細を探索する。
このチュートリアルはこれらの概念を高階ハミルトニアンに拡張し、関連する対称性と回路構成について議論する。
論文 参考訳（メタデータ） (2025-11-23T09:54:20Z) - Quantum Approximate and Quantum Walk Optimization Approaches to Set Balancing [0.0]
変分量子アルゴリズムのNP-ハード・セットバランス問題への応用について検討する。
この問題は、擬似非拘束バイナリ最適化(QUBO)の定式化と、パウリ-Z形式で表現されたコストハミルトニアンによるイジングモデルにマッピングされる。
QAOAでは、ミキサーユニタリーのスケール化された経験的パウリ弦現実化を用いて、6つのミキサーハミルトン(X, XY, Full-SWAP, Ring-SWAP, Grover, Warm-Started)の比較分析を行う。
シャノンエントロピーに基づくポストを導入する
論文 参考訳（メタデータ） (2025-09-08T20:31:30Z) - Adam assisted Fully informed Particle Swarm Optimization ( Adam-FIPSO ) based Parameter Prediction for the Quantum Approximate Optimization Algorithm (QAOA) [1.024113475677323]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、マックス・カット問題などの最適化問題の解法として用いられる顕著な変分アルゴリズムである。
QAOAの重要な課題は、高品質なソリューションにつながる適切なパラメータを効率的に特定することである。
論文 参考訳（メタデータ） (2025-06-07T13:14:41Z) - A Quantum Genetic Algorithm Framework for the MaxCut Problem [49.59986385400411]
提案手法では,Groverをベースとした進化的枠組みと分割・分散原理を用いた量子遺伝的アルゴリズム(QGA)を提案する。
完全グラフ上では、提案手法は真に最適なMaxCut値を一貫して達成し、セミデフィニティプログラミング(SDP)アプローチより優れている。
ErdHos-R'enyiランダムグラフでは、QGAは競合性能を示し、SDP結果の92-96%で中央値の解が得られる。
論文 参考訳（メタデータ） (2025-01-02T05:06:16Z) - Analysis of the Non-variational Quantum Walk-based Optimisation Algorithm [0.0]
本稿では,多種多様な最適化問題を解くために設計された非変分量子アルゴリズムを詳細に紹介する。
このアルゴリズムは、増幅状態の繰り返しの準備と測定から最適解とほぼ最適解を返す。
論文 参考訳（メタデータ） (2024-07-29T13:54:28Z) - An Analysis of Quantum Annealing Algorithms for Solving the Maximum Clique Problem [49.1574468325115]
我々は、QUBO問題として表されるグラフ上の最大傾きを見つける量子D波アンナーの能力を解析する。
本稿では, 相補的な最大独立集合問題に対する分解アルゴリズムと, ノード数, 傾き数, 密度, 接続率, 解サイズの他のノード数に対する比を制御するグラフ生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T04:40:05Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Benchmarking Metaheuristic-Integrated QAOA against Quantum Annealing [0.0]
この研究は、異なる問題領域にわたる量子アニーリングとメタヒューリスティック統合QAOAの長所と短所に関する洞察を提供する。
その結果,ハイブリッド手法は古典的最適化手法を利用してQAOAの解品質と収束速度を向上させることが示唆された。
論文 参考訳（メタデータ） (2023-09-28T18:55:22Z) - A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。
この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。
我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
論文 参考訳（メタデータ） (2023-06-15T15:28:12Z) - A Gauss-Newton based Quantum Algorithm for Combinatorial Optimization [0.0]
最適化問題に対するガウス・ニュートン型量子アルゴリズム(GNQA)を提案するが、最適条件下では、局所的なミニマやプラトーに閉じ込められることなく、最適解の1つに迅速に収束する。
我々のアプローチは、最適解を正確に表すテンソル積状態と、二項変数のすべての組み合わせを含むハミルトニアンに対して適切な関数を用いることによってそれらを緩和する。
そこで,本研究では,GNQAが収束特性と精度の両方において,他の最適化手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-25T23:49:31Z) - 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) - 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。