ترجمه فارسی مقاله یک رویکرد پیش‌بینی‌کننده برای انتخاب بهترین حل‌کننده کوانتومی برای یک مسئله بهینه‌سازی

چکیده

Leveraging quantum computers for optimization problems holds promise across various application domains. Nevertheless, utilizing respective quantum computing solvers requires describing the optimization problem according to the Quadratic Unconstrained Binary Optimization (QUBO) formalism and selecting a proper solver for the application of interest with a reasonable setting. Both demand significant proficiency in quantum computing, QUBO formulation, and quantum solvers, a background that usually cannot be assumed by end users who are domain experts rather than quantum computing specialists. While tools aid in QUBO formulations, support for selecting the best-solving approach remains absent. This becomes even more challenging because selecting the best solver for a problem heavily depends on the problem itself. In this work, we are accepting this challenge and propose a predictive selection approach, which aids end users in this task. To this end, the solver selection task is first formulated as a classification task that is suitable to be solved by supervised machine learning. Based on that, we then propose strategies for adjusting solver parameters based on problem size and characteristics. Experimental evaluations, considering more than 500 different QUBO problems, confirm the benefits of the proposed solution. In fact, we show that in more than 70% of the cases, the best solver is selected, and in about 90% of the problems, a solver in the top two, i.e., the best or its closest suboptimum, is selected. This exploration proves the potential of machine learning in quantum solver selection and lays the foundations for its automation, broadening access to quantum optimization for a wider range of users.

چکیده به فارسی (ترجمه ماشینی)

استفاده از رایانه های کوانتومی برای مشکلات بهینه سازی ، نوید را در حوزه های مختلف کاربردی حفظ می کند.با این وجود ، استفاده از حل کننده های محاسبات کوانتومی مربوطه ، نیاز به توصیف مشکل بهینه سازی با توجه به فرمالیسم بهینه سازی باینری بدون محدودیت (QUBO) و انتخاب یک حل کننده مناسب برای استفاده از علاقه با یک تنظیم مناسب دارد.هر دو خواستار مهارت قابل توجهی در محاسبات کوانتومی ، فرمولاسیون Qubo و حل کننده های کوانتومی هستند ، پس زمینه ای که معمولاً توسط کاربران نهایی که متخصص دامنه هستند به جای متخصصان محاسبات کوانتومی نمی توان فرض کرد.در حالی که ابزارها در فرمولاسیون Qubo کمک می کنند ، پشتیبانی از انتخاب رویکرد پرفروش هنوز وجود ندارد.این حتی چالش برانگیز تر می شود زیرا انتخاب بهترین حل کننده برای یک مشکل به شدت به خود مشکل بستگی دارد.در این کار ، ما این چالش را می پذیریم و یک رویکرد انتخاب پیش بینی کننده را پیشنهاد می کنیم ، که به کاربران نهایی در این کار کمک می کند.برای این منظور ، وظیفه انتخاب حل کننده برای اولین بار به عنوان یک کار طبقه بندی تدوین می شود که برای یادگیری ماشین نظارت شده مناسب است.بر اساس آن ، ما پس از آن استراتژی هایی را برای تنظیم پارامترهای حل کننده بر اساس اندازه و خصوصیات مسئله پیشنهاد می کنیم.ارزیابی های تجربی ، با توجه به بیش از 500 مشکل مختلف Qubo ، مزایای راه حل پیشنهادی را تأیید می کند.در حقیقت ، ما نشان می دهیم که در بیش از 70 ٪ موارد ، بهترین حل کننده انتخاب می شود و در حدود 90 ٪ از مشکلات ، یک حل کننده در دو نفر برتر ، یعنی بهترین یا نزدیکترین زیرزمین آن ، انتخاب می شود.این اکتشاف پتانسیل یادگیری ماشین را در انتخاب حل کننده کوانتومی اثبات می کند و پایه های اتوماسیون خود را ارائه می دهد و دسترسی به بهینه سازی کوانتومی را برای طیف گسترده تری از کاربران گسترش می دهد.