ترجمه فارسی مقاله الگوریتم‌های اکتشافی ترکیبی برای مدل‌های یادگیری ماشین کوانتومی آدیاباتیک

چکیده

The recent developments of adiabatic quantum machine learning (AQML) methods and applications based on the quadratic unconstrained binary optimization (QUBO) model have received attention from academics and practitioners. Traditional machine learning methods such as support vector machines, balanced k-means clustering, linear regression, Decision Tree Splitting, Restricted Boltzmann Machines, and Deep Belief Networks can be transformed into a QUBO model. The training of adiabatic quantum machine learning models is the bottleneck for computation. Heuristics-based quantum annealing solvers such as Simulated Annealing and Multiple Start Tabu Search (MSTS) are implemented to speed up the training of AQML based on the QUBO model. The main purpose of this paper is to present a hybrid heuristic embedding an r-flip strategy to solve large-scale QUBO with an improved solution and shorter computing time compared to the state-of-the-art MSTS method. The results of the substantial computational experiments are reported to compare an r-flip strategy embedded hybrid heuristic and a multiple start tabu search algorithm on a set of benchmark instances and three large-scale QUBO instances. The r-flip strategy embedded algorithm provides very high-quality solutions within the CPU time limits of 60 and 600 seconds.

چکیده به فارسی (ترجمه ماشینی)

تحولات اخیر روشها و برنامه های یادگیری ماشین کوانتومی آدیاباتیک (AQML) بر اساس مدل بهینه سازی باینری بی نظیر درجه دوم (QUBO) مورد توجه دانشگاهیان و دست اندرکاران قرار گرفته است.روش های یادگیری ماشین سنتی مانند ماشین های بردار پشتیبانی ، خوشه بندی K-Means متعادل ، رگرسیون خطی ، تقسیم درخت تصمیم ، دستگاه های محدود Boltzmann و شبکه های اعتقاد عمیق را می توان به یک مدل Qubo تبدیل کرد.آموزش مدلهای یادگیری ماشین کوانتومی آدیاباتیک تنگنای محاسبات است.حل کننده های بازپرداخت کوانتومی مبتنی بر اکتشافی مانند بازپرداخت شبیه سازی شده و جستجوی چندگانه شروع Tabu (MST) برای سرعت بخشیدن به آموزش AQML بر اساس مدل Qubo اجرا می شوند.هدف اصلی این مقاله ارائه یک تعبیه اکتشافی ترکیبی یک استراتژی R-FLIP برای حل QUBO در مقیاس بزرگ با یک راه حل بهبود یافته و زمان محاسبات کوتاه تر در مقایسه با روش پیشرفته MSTS است.نتایج آزمایشات محاسباتی قابل توجهی برای مقایسه یک استراتژی R-FLIP تعبیه شده اکتشافی هیبریدی و یک الگوریتم جستجوی Tabu با شروع چندگانه بر روی مجموعه ای از نمونه های معیار و سه نمونه Qubo در مقیاس بزرگ گزارش شده است.الگوریتم تعبیه شده استراتژی R-FLIP راه حل های با کیفیت بسیار بالا را در محدوده زمان CPU 60 و 600 ثانیه ارائه می دهد.