针对adiabatic量子机器学习模型的混合启发式算法
量子物理
2025-05-15 v2 机器学习
摘要
许多 established 的机器学习模型和各种神经网络架构可以重构为二次无约束二进制优化（QUBO）问题。adiabatic量子机器学习（AQML）的一个重要挑战是训练阶段的计算需求。为缓解这一问题，受量子退火启发的近似技术，如模拟退火和多开始禁忌搜索（MSTS），被用于加速QUBO-based AQML训练。本文引入一种新型混合算法，包含“r-flip”策略。该策略旨在更有效地解决大规模QUBO问题，相较于现有MSTS方法在解决方案质量和计算成本方面表现更佳。r-flip方法在跨装配、供应链管理、机器调度和欺诈检测等多个领域具有实际应用。本文详细描述了大量计算实验，将增强r-flip的混合启发式方法与标准MSTS方法进行比较。这些测试利用标准基准问题和三个特别大的QUBO实例。结果表明，r-flip增强方法能在实际时间限制内持续产生高质量解决方案。
引用
@article{arxiv.2407.21062,
title = {Hybrid Heuristic Algorithms for Adiabatic Quantum Machine Learning Models},
author = {Bahram Alidaee and Haibo Wang and Lutfu Sua and Wade Liu},
journal= {arXiv preprint arXiv:2407.21062},
year = {2025}
}
备注
23 pages and 7 tables