論文の概要: Transformers as Intrinsic Optimizers for Quantum Approximate Optimization Algorithm

• arxiv url: http://arxiv.org/abs/2609.19392v1
• Date: Wed, 16 Sep 2026 20:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.997442
• Title: Transformers as Intrinsic Optimizers for Quantum Approximate Optimization Algorithm
• Title（参考訳）: 量子近似最適化アルゴリズムにおける固有最適化器としての変換器
• Abstract要約: QA-Cut 上での Transformer-based Transformer-based Maximization 法を提案する。 提案したグラフ処理問題,現在のQAOAパラメータ,測定フィードバック,そして最近の最適化履歴は,インスタンスワイドポリシーが学習した次の変分的古典最適化を予測できる。
• 参考スコア（独自算出の注目度）: 5.731497175450527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Quantum Approximate Optimization Algorithm (QAOA) is a leading variational framework for combinatorial optimization on noisy intermediate-scale quantum hardware, but its practical performance depends strongly on the classical optimizer used to train its variational parameters. This outer-loop optimization is often nonconvex, initialization-sensitive, and costly when repeated across large families of related problem instances. In this work, we propose a Transformer-based intrinsic optimization framework for QAOA, in which the optimizer itself is learned and embedded directly into the hybrid quantum-classical loop. The proposed graph-conditioned Transformer processes problem structure, current QAOA parameters, measurement feedback, and recent optimization history to predict the next variational-parameter update, thereby reformulating instance-wise classical optimization as an amortized learned policy. We develop a mathematical formulation of this intrinsic-optimization perspective and evaluate the method on QAOA-based MaxCut benchmarks across multiple problem settings, with comparisons against representative classical and learned optimization baselines. The results demonstrate that Transformer-based intrinsic optimization can provide a structured and transferable mechanism for improving the classical component of hybrid quantum optimization algorithms.
• Abstract（参考訳）: 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、ノイズの多い中間スケール量子ハードウェア上での組合せ最適化のための主要な変分フレームワークである。 この外ループ最適化は、しばしば非凸であり、初期化に敏感であり、関連する問題インスタンスの大規模なファミリー間で繰り返される場合、コストがかかる。 そこで本研究では,QAOAのためのトランスフォーマーに基づく固有最適化フレームワークを提案する。 提案したグラフ条件トランスフォーマープロセス問題構造,現在のQAOAパラメータ,測定フィードバック,および最近の最適化履歴を用いて,次回の変動パラメータ更新を予測する。 この本質的最適化の観点を数学的に定式化し,QAOAに基づくMaxCutベンチマークの手法を複数の問題設定で評価し,代表的な古典的および学習的最適化ベースラインとの比較を行った。 その結果、トランスフォーマーに基づく固有最適化は、ハイブリッド量子最適化アルゴリズムの古典的コンポーネントを改善するための構造化され、転送可能なメカニズムを提供することができることを示した。

関連論文リスト

• A Novel Unified Parametric Assumption for Nonconvex Optimization [53.943470475510196]
  非最適化は機械学習の中心であるが、一般の非凸性は弱い収束を保証するため、他方に比べて悲観的すぎる。 非凸アルゴリズムに新しい統一仮定を導入する。
  論文  参考訳（メタデータ） (2025-02-17T21:25:31Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Quantum approximate optimization via learning-based adaptive optimization [5.399532145408153]
  量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。 その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。 この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
  論文  参考訳（メタデータ） (2023-03-27T02:14:56Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• 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)
• 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。