論文の概要: Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection
- arxiv url: http://arxiv.org/abs/2610.41788v1
- Date: Fri, 30 Oct 2026 14:21:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.767266
- Title: Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection
- Title（参考訳）: ベイズ重み選択による材料構成探索のためのクエリ効率の良い量子多目的最適化
- Abstract要約: 材料設計は多目的問題である。
量子最適化の最近の進歩により、量子ソルバはそのような問題に耐えられるようになった。
本稿では,高額でノイズの多い量子解法を賢く使いこなす方法を示す。
- 参考スコア（独自算出の注目度）: 3.6868062659733947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Materials design is a multi-objective problem, and recent advances in quantum optimization make it possible to bring quantum solvers to bear on such problems. The realistic near-term win, though, is not raw quantum advantage but making an expensive, noisy quantum solver usable by spending its calls wisely. Quantum Approximate Multi-Objective Optimization (QAMOO) traces a Pareto front by solving a family of scalarized Ising problems, one per objective-weight vector, with QAOA --- but chooses those weights \emph{non-adaptively}, sampling them at random, blind to what it has already found. We recast weight selection as \emph{multi-objective Bayesian optimization}: our method, BW-QAMOO (Bayes-Weighted QAMOO), picks each next weight by expected hypervolume improvement (EHVI) under a Gaussian-process (GP) surrogate over the weight-to-objective map. On a frustrated alloy-configuration benchmark across $m\in\{3,4\}$ objectives and $n\in\{10,11,12\}$ sites, BW-QAMOO reaches the same Pareto hypervolume as QAMOO's random sampling with a median 33% fewer scalarized solves across the 90/95\% targets and 60--74\% fewer than a uniform-grid baseline), on a genuine (simulated) QAOA solver; a paired Wilcoxon test confirms the saving is significant, and the advantage grows with the objective count m as the weight simplex expands and blind sampling wastes more of the budget. This is a \emph{query-efficiency} result, and we close with the open challenges on the path to real alloy data and hardware.
- Abstract（参考訳）: 材料設計は多目的問題であり、近年の量子最適化の進歩により、量子解法がそのような問題に耐えられるようになった。
しかし、現実的な短期的な勝利は、生の量子優位性ではなく、その呼び出しを賢明に利用することで、高価なノイズの多い量子解決器を利用できるものにしている。
QAMOO(Quantum Approximate Multi-Objective Optimization、量子近似多目的最適化)は、QAOAで1対1の客観重みベクトルであるスカラー化イジング問題を解くことでパレートフロントをトレースする。
重み選択を<emph{multi-objective Bayesian optimization}: 我々の方法であるBW-QAMOO (Bayes-Weighted QAMOO) は、重みから対象への写像上のガウス過程 (GP) シュロゲートの下で、期待される超体積改善 (EHVI) により次の重みを選択する。
$m\in\{3,4\}$ objectives and $n\in\{10,11,12\}$ sitesのフラストレーションされた合金構成ベンチマークにおいて、BW-QAMOOはQAMOOのランダムサンプリングと同じパレートハイパーボリュームに達する。
これはemph{query-efficiency}の結果であり、実際の合金データとハードウェアへの道の開けた課題に近づいている。
関連論文リスト
- EQE-QAOA: An Equivalence-Preserving Qubit Efficient Framework for Combinatorial Optimization [54.05451096499336]
既存の技術は情報損失のコストで量子ビットの削減に依存しており、計算性能は劣化している。
等価保存量子ビット効率QAOAを提案し、性能を劣化させることなく必要なキュービット数を著しく削減する。
完全独立変数を持つ非制約問題を除いて,大規模最適化問題に広く適用可能であることを示す。
論文 参考訳（メタデータ） (2026-04-20T13:57:49Z) - Evidence that the Quantum Approximate Optimization Algorithm Optimizes the Sherrington-Kirkpatrick Model Efficiently in the Average Case [3.4872784636892047]
Sherrington-Kirkpatrick(SK)モデルは、混乱したシステムを理解するための基盤となるフレームワークである。
量子近似最適化アルゴリズム (Quantum Approximate Optimization Algorithm, QAOA) は、量子最適化アルゴリズムであり、その性能は深さ$p$で単調に向上する。
無限大の極限においてSKモデルに適用されたQAOAを解析し、回路深さ$mathcalO(n/epsilon1.13)$の最適エネルギーに対して1-epsilon$の近似が得られるという数値的な証拠を与える。
論文 参考訳（メタデータ） (2025-05-12T18:00:01Z) - Limitations of Quantum Approximate Optimization in Solving Generic Higher-Order Constraint-Satisfaction Problems [0.0]
量子近似最適化アルゴリズムの最適化問題に対する量子優位性を実現する能力はまだ不明である。
ランダムなMax-$k$XOR上でのQAOAの性能を$k$の関数と節対変数比として解析する。
満足度の高いレベルに達するには、非常に大きな$p$が必要であり、変動コンテキストと短期デバイスの両方において、かなり難しいとみなす必要がある。
論文 参考訳（メタデータ） (2024-11-28T21:39:58Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Trainability Analysis of Quantum Optimization Algorithms from a Bayesian
Lens [2.9356265132808024]
雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。
この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
論文 参考訳（メタデータ） (2023-10-10T02:56:28Z) - Sampling Frequency Thresholds for Quantum Advantage of Quantum
Approximate Optimization Algorithm [0.7046417074932257]
量子近似最適化アルゴリズム(QAOA)の性能を最先端の古典解法と比較する。
古典的解法は線形時間複雑性において高品質な近似解を生成することができる。
異なるグラフ、重み付けされたMaxCut、最大独立集合、および3-SATといった他の問題は、短期量子デバイスにおける量子優位性を達成するのに適しているかもしれない。
論文 参考訳（メタデータ） (2022-06-07T20:59:19Z) - QAOA-in-QAOA: solving large-scale MaxCut problems on small quantum
machines [81.4597482536073]
量子近似最適化アルゴリズム(QAOAs)は、量子マシンのパワーを利用し、断熱進化の精神を継承する。
量子マシンを用いて任意の大規模MaxCut問題を解くためにQAOA-in-QAOA(textQAOA2$)を提案する。
提案手法は,大規模最適化問題におけるQAOAsの能力を高めるために,他の高度な戦略にシームレスに組み込むことができる。
論文 参考訳（メタデータ） (2022-05-24T03:49:10Z) - 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) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳（メタデータ） (2020-06-15T16:09:17Z)
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。