ترجمه فارسی مقاله تحلیل اثربخشی آنیلینگ کوانتومی با استفاده از فرایادگیری

چکیده

The field of Quantum Computing has gathered significant popularity in recent years and a large number of papers have studied its effectiveness in tackling many tasks. We focus in particular on Quantum Annealing (QA), a meta-heuristic solver for Quadratic Unconstrained Binary Optimization (QUBO) problems. It is known that the effectiveness of QA is dependent on the task itself, as is the case for classical solvers, but there is not yet a clear understanding of which are the characteristics of a problem that makes it difficult to solve with QA. In this work, we propose a new methodology to study the effectiveness of QA based on meta-learning models. To do so, we first build a dataset composed of more than five thousand instances of ten different optimization problems. We define a set of more than a hundred features to describe their characteristics, and solve them with both QA and three classical solvers. We publish this dataset online for future research. Then, we train multiple meta-models to predict whether QA would solve that instance effectively and use them to probe which are the features with the strongest impact on the effectiveness of QA. Our results indicate that it is possible to accurately predict the effectiveness of QA, validating our methodology. Furthermore, we observe that the distribution of the problem coefficients representing the bias and coupling terms is very informative to identify the probability of finding good solutions, while the density of these coefficients alone is not enough. The methodology we propose allows to open new research directions to further our understanding of the effectiveness of QA, by probing specific dimensions or by developing new QUBO formulations that are better suited for the particular nature of QA. Furthermore, the proposed methodology is flexible and can be extended or used to study other quantum or classical solvers.

چکیده به فارسی (ترجمه ماشینی)

زمینه محاسبات کوانتومی در سالهای اخیر محبوبیت قابل توجهی جمع آوری کرده است و تعداد زیادی از مقالات اثربخشی آن را در مقابله با بسیاری از کارها مورد مطالعه قرار داده اند.ما به طور خاص روی بازپخت کوانتومی (QA) ، یک حل کننده متا-هوریستی برای مشکلات بهینه سازی باینری بدون محدودیت (QUBO) درجه دوم تمرکز می کنیم.مشخص شده است که اثربخشی QA به خود وظیفه بستگی دارد ، همانطور که در مورد حلال های کلاسیک نیز وجود دارد ، اما هنوز درک روشنی وجود ندارد که ویژگی های یک مشکل است که حل آن با QA دشوار است.در این کار ، ما یک روش جدید برای بررسی اثربخشی QA بر اساس مدل های یادگیری متا پیشنهاد می کنیم.برای انجام این کار ، ما ابتدا یک مجموعه داده متشکل از بیش از پنج هزار مورد از ده مشکل بهینه سازی مختلف ایجاد می کنیم.ما مجموعه ای از بیش از صد ویژگی را برای توصیف ویژگی های آنها تعریف می کنیم و آنها را با QA و سه حل کننده کلاسیک حل می کنیم.ما این مجموعه داده را به صورت آنلاین برای تحقیقات آینده منتشر می کنیم.سپس ، ما چندین مدل متا را آموزش می دهیم تا پیش بینی کنیم که آیا QA آن نمونه را به طور مؤثر حل می کند و از آنها برای بررسی این ویژگی ها استفاده می کند که ویژگی هایی با قوی ترین تأثیر در اثربخشی QA هستند.نتایج ما نشان می دهد که می توان به طور دقیق اثربخشی QA را پیش بینی کرد ، و روش ما را تأیید کرد.علاوه بر این ، ما مشاهده می کنیم که توزیع ضرایب مشکل که نمایانگر تعصب و شرایط اتصال است برای شناسایی احتمال یافتن راه حل های خوب بسیار آموزنده است ، در حالی که چگالی این ضرایب به تنهایی کافی نیست.متدولوژی ما پیشنهاد می کنیم تا با بررسی ابعاد خاص یا با توسعه فرمولاسیون های جدید Qubo که برای ماهیت خاص QA مناسب تر هستند ، جهت های جدید تحقیق را باز کنیم تا درک ما از اثربخشی QA را بیشتر کنیم.علاوه بر این ، روش پیشنهادی انعطاف پذیر است و می تواند برای مطالعه سایر حلالهای کوانتومی یا کلاسیک گسترش یابد یا مورد استفاده قرار گیرد.