論文の概要: QAOA for Layered Architecture Recovery: Feasibility, Limits, and the Role of Decomposition
- arxiv url: http://arxiv.org/abs/2611.09744v1
- Date: Fri, 06 Nov 2026 17:16:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-10 12:00:36.7371
- Title: QAOA for Layered Architecture Recovery: Feasibility, Limits, and the Role of Decomposition
- Title(参考訳): 階層型アーキテクチャ回復のためのQAOA:可能性、限界、分解の役割
- Abstract要約: 階層化アーキテクチャリカバリ(LAR)は、システムのアーキテクチャレイヤをパッケージの依存関係から再構築する。
量子近似最適化アルゴリズム(QAOA)をLARに適用できるかどうかを検討する。
- 参考スコア(独自算出の注目度): 0.6931453803691031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Layered architecture recovery (LAR) reconstructs a system's architectural layers from its package dependencies, and is defined as a combinatorial optimisation problem solved with classical search. We investigate whether the Quantum Approximate Optimization Algorithm (QAOA) can be applied to LAR, and with what practical limitations. We formulate LAR as a Quadratic Semi-Assignment Problem, transform it into a Quadratic Unconstrained Binary Optimisation (QUBO) problem in which each package is penalised unless it is assigned to exactly one layer, and encode it as an Ising Hamiltonian solved by QAOA. To reach instances beyond the qubit budget of a single circuit, we also apply an impact-guided decomposition that solves the problem as a sequence of smaller sub-problems. We evaluate the approach on three real Java systems ($15$, $18$, and $24$ qubits), studying the effect of circuit depth and sampling budget (RQ1), a comparison with a classical Tabu Search baseline (RQ2), robustness to simulated quantum noise (RQ3), and the decomposition (RQ4). We find that monolithic QAOA is feasible and accurate on the two smaller systems but fails on the $24$-qubit instance, that the sampling budget rather than circuit depth governs its accuracy, and that it is competitive with but does not outperform Tabu Search. Decomposition restores reliable recovery on the $24$-qubit instance, raising the optimal rate from $6.7\%$ to $93.3\%$; its accuracy is governed by the size of each sub-problem and, unlike the monolithic pipeline, improves as the sampling budget is reduced. Our results indicate that, in the current noisy intermediate-scale regime, problem decomposition, rather than larger circuits or more sampling, is the key to applying QAOA to software architecture recovery.
- Abstract(参考訳): 階層化アーキテクチャリカバリ(LAR)は、パッケージ依存からシステムのアーキテクチャレイヤを再構築し、古典的な探索で解決された組合せ最適化問題として定義される。
本稿では,量子近似最適化アルゴリズム(QAOA)をLARに適用できるかどうか,実用的限界について検討する。
擬似半割当問題として LAR を定式化し、これを擬似非拘束バイナリ最適化(QUBO)問題に変換し、各パッケージが正確に1つの層に割り当てられない限りペナル化され、QAOA が解いたイジング・ハミルトニアンとしてエンコードする。
単一回路のキュービット予算を超えるインスタンスに到達するために、より小さなサブプロブレムの列として問題を解くインパクト誘導分解を適用する。
回路深度とサンプリング予算(RQ1),古典的タブサーチベースライン(RQ2)との比較,量子ノイズに対するロバスト性(RQ3),分解性(RQ4)について検討した。
モノリシックなQAOAは2つの小さなシステムで実現可能で精度が高いが、24ドルキュービットのインスタンスでは失敗し、回路深度よりもサンプリング予算が精度を制御し、タブサーチを上回りません。
分解は24ドルキュービットのインスタンス上で信頼性の高いリカバリを復元し、最適なレートを6.7\%から9.3\%に引き上げ、その精度は各サブプロブレムのサイズによって管理され、モノリシックパイプラインとは異なり、サンプリング予算が削減されるにつれて改善される。
この結果から,現在のノイズの多い中間規模システムでは,より大規模な回路やサンプリングではなく,問題分解がソフトウェアアーキテクチャの回復にQAOAを適用する鍵であることを示唆した。
関連論文リスト
- Quantum-informed surrogate sampling for combinatorial optimization [0.0]
量子インフォームドサロゲートサンプリング(QISS, Quantum-Informed Surrogate Smpling)は、浅い量子回路の低重相関から最適化問題の候補解を生成する後処理フレームワークである。
浅い回路からの低次相関器がバニラQAOAを超える競合解を生成するのに十分であることを示す。
論文 参考訳(メタデータ) (2026-07-24T14:58:57Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳(メタデータ) (2026-06-05T14:00:47Z) - 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) - Hierarchical Progressive Pauli Noise Modeling with Residual Compensation for Multi-Qubit Quantum Circuits [14.613991645631941]
マルチビットシステムにおける高次空間クロストークを効率的に抽出する階層的プログレッシブ最適化(HPO)フレームワークを提案する。
数学的に厳密なプロジェクションマスクを導入することで、HPOフレームワークは戦略的に低重量トポロジーを凍結し、高重量のパウリ相関を排他的に分離する。
我々の研究は、大規模量子アルゴリズムにおける複雑な多体誤差をモデル化し緩和するために、スケーラブルで高精度で必要不可欠な青写真を提供する。
論文 参考訳(メタデータ) (2026-04-19T08:40:45Z) - Large-scale portfolio optimization on a trapped-ion quantum computer [32.24411362086563]
基数制約付き大規模ポートフォリオ選択のためのエンドツーエンドパイプラインを提案する。
ハードウェア・アウェア分解を用いたトラップイオン量子プロセッサ上での実験実験を行った。
論文 参考訳(メタデータ) (2026-02-27T12:36:14Z) - BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。
BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
論文 参考訳(メタデータ) (2026-02-04T02:54:37Z) - A competitive NISQ and qubit-efficient solver for the LABS problem [0.0]
パウリ相関。
(PCE)は、近年、変分量子アルゴリズムにおける問題を最適化するための量子ビット効率のアプローチとして導入されている。
我々はPCEベースのフレームワークを拡張し、LABS(Low Autocorrelation Binary Sequences)問題を解決する。
論文 参考訳(メタデータ) (2025-06-20T18:00:02Z) - Quantization Meets Reasoning: Exploring and Mitigating Degradation of Low-Bit LLMs in Mathematical Reasoning [39.56908863102256]
低ビット後の量子化は、より厳しい設定で69.81%の数学的推論を損なう。
デプロイクリティカルな2つの問題に,プロセスレベルの精度で対処する。
われわれの設定では、332のキュレートされたサンプルと1つのGPUで3~5分計算すると、完全な精度のベースラインに向かって4ビットの重み計算が引き起こされる。
論文 参考訳(メタデータ) (2025-05-16T12:11:40Z) - A Multilevel Approach For Solving Large-Scale QUBO Problems With Noisy Hybrid Quantum Approximate Optimization [3.3493770627144004]
既存の量子処理ユニット(QPU)がマルチレベル戦略においてサブソルバとしてどのように機能するかを実験的に検証する。
完全連結な 82$-qubit Sherrington-Kirkpatrick グラフに対して 10$ の近似解を求める。
量子最適化の結果は古典学と比較して解の質に関して競争力がある。
論文 参考訳(メタデータ) (2024-08-14T20:06:32Z) - Robust Second-Order Nonconvex Optimization and Its Application to Low Rank Matrix Sensing [47.32366699399839]
近似第二エピシロン依存(SOSP)の発見は、よく研究され基礎的な問題である。
本稿では,低次元センサマシン最適化問題に適用する。
論文 参考訳(メタデータ) (2024-03-12T01:27:44Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳(メタデータ) (2021-10-09T21:13:48Z)
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。