論文の概要: Learning angles for quantum approximate optimization

• arxiv url: http://arxiv.org/abs/2610.23296v1
• Date: Fri, 16 Oct 2026 11:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.896369
• Title: Learning angles for quantum approximate optimization
• Title（参考訳）: 量子近似最適化のための学習角度
• Abstract要約: 量子近似最適化アルゴリズム(QAOA)とその変種は、挑戦的な最適化問題を解決するための主要なアルゴリズムである。 QAOA はこれらの問題をイジング・ハミルトニアンの基底状態が望ましい解であるように写像する。 当社の作業は、最新のデータ生成とトレーニングコストによって、QAOAの大きなボトルネックを補うものです。
• 参考スコア（独自算出の注目度）: 2.6778795141133287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Quantum Approximate Optimization Algorithm (QAOA) and its variants are leading algorithms to help solve challenging combinatorial optimization problems. QAOA maps these problems to Ising Hamiltonians such that their ground state is the desired solution. Candidate solutions are then drawn from a variational quantum circuit. The performance of QAOA hinges on a set of variational angles. However, finding good angles is an instance-specific and computationally expensive non-convex classical optimization task. Here, we learn the mapping from the problem instance to high-quality QAOA angles. Our learned models replace the per-instance optimization, that we call the solver, with a single forward pass that is several orders of magnitude faster than the solver with a near identical quality. Our models further generalize to unseen topologies such as Barabási-Albert and 2D grid graphs. Experiments on quantum hardware confirm that QAOA samples with angles produced by our open-source models are indistinguishable from solver angles. Crucially, models sensitive to the topology of the problem instance increase the quality of the QAOA angles. Our work amortizes a major bottleneck in QAOA by an up-front data generation and training cost. Importantly, this cost can be amortized over time in settings where many similar problems are optimized on a regular basis, as is often the case in applications for industry.
• Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)とその変種は、組合せ最適化問題の解決に寄与する主要なアルゴリズムである。 QAOA はこれらの問題をイジング・ハミルトニアンの基底状態が望ましい解であるように写像する。 候補解は変分量子回路から引き出される。 QAOAヒンジのパフォーマンスは、一連の変動角に基づいて行われる。 しかし、良い角度を見つけることは、インスタンス固有で計算に費用がかかる古典的最適化タスクである。 ここでは,問題事例から高品質QAOA角への写像を学習する。 学習したモデルでは, 同一品質の解法よりも数桁高速な単一のフォワードパスで, インスタンス毎の最適化を置き換えた。 我々のモデルは、バラバーシ・アルベルトや2Dグリッドグラフのような目に見えない位相にさらに一般化する。 量子ハードウェアの実験により、我々のオープンソースモデルによって生成された角度を持つQAOAサンプルが解ける角度と区別できないことが確認された。 重要なことに、問題インスタンスのトポロジに敏感なモデルはQAOA角の質を高める。 当社の作業は、事前のデータ生成とトレーニングコストによって、QAOAの大きなボトルネックを補うものです。 重要なことに、このコストは、多くの類似した問題が定期的に最適化される設定で、時間をかけて償却することができる。

関連論文リスト

• Setting angles in quantum approximate optimization at utility-scale [4.273740842669934]
  量子近似最適化アルゴリズム(QAOA)は、量子ハードウェアとタンデムの古典最適化を用いて最適化問題を解く。 しかし、与えられた問題に対して最適な角度を特定するのに、どの手法が最適かはよく分かっていない。 本稿では,QAOA実践者の運用指針を抽出するユーティリティスケールベンチマークを通じて,この問題に対処する。
  論文  参考訳（メタデータ） (2026-06-03T18:02:26Z)
• A Non-Variational Quantum Approach to the Job Shop Scheduling Problem [0.3078691410268859]
  短期的ハードウェア制限を軽減するために設計されたQAOAの変種であるIterative-QAOAを紹介する。 我々は,Just-in-Time Job Shop Scheduling Problem (JIT-JSSP) のインスタンスをIonQ Forte Generation QPU上でベンチマークする。 反復-QAOAは、評価された全ての問題インスタンスに対して、最適解と高品質でほぼ最適解を見つけるために、しっかりと収束していることがわかった。
  論文  参考訳（メタデータ） (2025-10-30T16:14:13Z)
• Evaluating the Limits of QAOA Parameter Transfer at High-Rounds on Sparse Ising Models With Geometrically Local Cubic Terms [2.8026862656811358]
  本稿では,QAOA角探索のための高効率でスケーラブルな非変分学習手法を提案する。 重み付きグラフIsingモデルに対して、小さなJuli問題から大きな問題インスタンス(最大156キュービット)へのQAOAパラメータ転送性について検討する。 また、いくつかの超伝導量子ビットIBM量子プロセッサ上の固定QAOA角のアンサンブルを用いて、ハードウェア互換のIsingモデルをサンプリングした。
  論文  参考訳（メタデータ） (2025-09-16T20:48:53Z)
• 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)
• How Much Entanglement Do Quantum Optimization Algorithms Require? [0.0]
  ADAPT-QAOA施行時に発生する絡みについて検討した。 この柔軟性を漸進的に制限することにより、初期におけるより多くの絡み合いエントロピーが、後段におけるより速い収束と一致していることが分かる。
  論文  参考訳（メタデータ） (2022-05-24T18:00:02Z)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)
• Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
  我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。 問題の大きさと問題グラフの次数で指数関数的に増大する。 これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2022-01-06T21:02:30Z)
• Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
  形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。 本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
  論文  参考訳（メタデータ） (2021-05-06T17:59:38Z)
• An adaptive quantum approximate optimization algorithm for solving combinatorial problems on a quantum computer [0.0]
  量子近似最適化アルゴリズム(QAOA)は、最適化問題を解くハイブリッド変分量子古典アルゴリズムである。 我々は,QAOAの反復バージョンを開発し,特定のハードウェア制約に適応することができる。 アルゴリズムをMax-Cutグラフのクラス上でシミュレートし、標準QAOAよりもはるかに高速に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-20T18:00:01Z)
• 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。