Hamiltonian-based Quantum Reinforcement Learning for Neural Combinatorial Optimization

要約

量子コンピューティング (QC) とニューラル組み合わせ最適化 (NCO) の進歩は、複雑な計算上の課題に取り組む上で有望なステップとなります。
一方で、QAOA などの変分量子アルゴリズムは、幅広い組み合わせ最適化問題を解決するために使用できます。
一方、同じクラスの問題は、特にグラフ ニューラル ネットワークの導入以来、有望な結果を示している手法である NCO によって解決できます。
両方の研究分野における最近の進歩を考慮して、QC と NCO が交わるアプローチであるハミルトニアン ベースの量子強化学習 (QRL) を紹介します。
私たちは、組み合わせ最適化問題のハミルトニアン定式化に直接基づいて分析をモデル化しており、これにより、私たちのアプローチを幅広いクラスの問題に適用することができます。
私たちの分析は、ハードウェア効率の高い分析と比較した場合に良好なトレーニング特性を示しますが、以前の研究とは異なり、グラフベースの問題に限定されません。
この研究では、さまざまな組み合わせ最適化問題に対するハミルトニアンベースの QRL のパフォーマンスを評価し、アプローチの幅広い適用可能性を実証し、QAOA と比較します。

要約(オリジナル)

Advancements in Quantum Computing (QC) and Neural Combinatorial Optimization (NCO) represent promising steps in tackling complex computational challenges. On the one hand, Variational Quantum Algorithms such as QAOA can be used to solve a wide range of combinatorial optimization problems. On the other hand, the same class of problems can be solved by NCO, a method that has shown promising results, particularly since the introduction of Graph Neural Networks. Given recent advances in both research areas, we introduce Hamiltonian-based Quantum Reinforcement Learning (QRL), an approach at the intersection of QC and NCO. We model our ansatzes directly on the combinatorial optimization problem’s Hamiltonian formulation, which allows us to apply our approach to a broad class of problems. Our ansatzes show favourable trainability properties when compared to the hardware efficient ansatzes, while also not being limited to graph-based problems, unlike previous works. In this work, we evaluate the performance of Hamiltonian-based QRL on a diverse set of combinatorial optimization problems to demonstrate the broad applicability of our approach and compare it to QAOA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google