Scalable Quantum-Inspired Optimization through Dynamic Qubit Compression

要約

難しい組み合わせ最適化問題は、イジング モデルにマッピングされることが多く、量子的な利点を備えた潜在的な解決策が期待できますが、短期的なデバイスでは量子ビット数が制限されるため制約を受けます。
私たちは、さまざまなサイズの利用可能な量子ハードウェアに適合するように大規模なイジング モデルを動的に圧縮する、量子にインスピレーションを得た革新的なフレームワークを紹介します。
したがって、私たちは大規模な最適化と現在のハードウェア機能の間のギャップを埋めることを目指しています。
私たちの手法は、物理学にヒントを得た GNN アーキテクチャを活用して、イジング モデルの複雑な相互作用を捕捉し、基底状態での隣接するスピン (別名量子ビット) 間の配列を正確に予測します。
このように調整されたスピンを徐々にマージすることで、基礎となる最適化構造を維持しながらモデルのサイズを縮小できます。
また、ソリューションの品質とサイズの削減の間に自然なトレードオフがもたらされ、量子コンピューティング デバイスのさまざまなハードウェア制約にも対応できます。
多様なトポロジーのイジングインスタンスに関する広範な数値研究により、私たちの方法は、最新のD-wave量子アニーラー上でソリューションの品質を実質的に損なうことなく、複数のレベルでインスタンスサイズを削減できることが示されています。

要約(オリジナル)

Hard combinatorial optimization problems, often mapped to Ising models, promise potential solutions with quantum advantage but are constrained by limited qubit counts in near-term devices. We present an innovative quantum-inspired framework that dynamically compresses large Ising models to fit available quantum hardware of different sizes. Thus, we aim to bridge the gap between large-scale optimization and current hardware capabilities. Our method leverages a physics-inspired GNN architecture to capture complex interactions in Ising models and accurately predict alignments among neighboring spins (aka qubits) at ground states. By progressively merging such aligned spins, we can reduce the model size while preserving the underlying optimization structure. It also provides a natural trade-off between the solution quality and size reduction, meeting different hardware constraints of quantum computing devices. Extensive numerical studies on Ising instances of diverse topologies show that our method can reduce instance size at multiple levels with virtually no losses in solution quality on the latest D-wave quantum annealers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google