May, 2023

应用 Ising 机解决多目标 QUBOs 问题

PDF
TL;DR本文提出一种基于平均值的自适应加权方法，用于解决多目标优化问题中的权衡问题，通过改进距离测量方法，实现多目标问题的 Pareto 前沿探索，并在对比实验中证明该方法在三个或四个目标的优化问题上的性能明显优于现有的方法。
发现论文，激发创造
  • 多目标 QUBO 求解的标量化技术研究

    本篇研究探讨将多个目标转化为单一目标的方法，在集合约束均值 - 方差投资组合优化问题上，迭代填充帕累托前沿中最大空间的方法可以显著提高性能。

    Oct, 2022

  • 多目标 QUBO 求解器：二目标二次分配

    研究表明，采用非标量化方法将多目标问题转化为单目标问题，可以克服 QUBO 解算器的设计折衷问题，并提高多目标 DA 算法的最终解决方案质量。

    May, 2022

  • 经典和量子伊辛机的通用学习方案

    提出了一个基于 Ising 结构的新型机器学习模型，可以通过梯度下降进行高效训练，实验证明了 Ising 机器在不同的学习任务中的新可能性，尤其在量子机器学习领域中，量子资源被用于模型的执行和训练，提供了有希望的前景。

    Oct, 2023

  • 在 Ising 机上训练多层神经网络

    该研究提出了一种用于训练量化神经网络（QNN）的 Ising 学习算法，该算法通过二进制编码网络拓扑和损失函数的降阶，实现了在 Ising 机器上训练多层前馈神经网络。该算法的空间复杂度约为 O (H^2L + HLNlogH)，通过模拟 Ising 机器在 MNIST 数据集上验证了其有效性。

    Nov, 2023

  • 扩展的电子 Ising 机作为有效的 SAT 求解器

    本文讲述了基于 Ising 机的解决最优化问题方法。作者发现缺少了立方相互作用和高效的随机化启发式算法成为了失误的原因。最后，作者增加了一个合适的框架和一个新的方法，提高了搜索的效率，实验结果在以往硬件和软件求解最优化问题算法的基础上取得了更高的效果。

    May, 2023

  • 利用量子混合求解器解决双目的二次分配问题

    本研究探讨了在使用混合量子求解器解决双目标二次分配问题的情境下的标量化方法，并展示出与先前研究在不同的 Ising 机器上一致的结果。

    May, 2024

  • 基于随机标量化的多目标贝叶斯优化的灵活框架

    本文提出了一种基于随机标量化策略的多目标优化方法，可快速、灵活地从 Pareto 前沿的特定区域中采样，且在多项真实问题和合成问题的实验中显示了良好表现。

    May, 2018

  • 机器学习中使用多目标优化时需避免的常见陷阱

    我们的目标是为机器学习从业者提供清晰、实用的指南，以有效地应用多目标优化 (MOO)，特别是在深度学习 (DL) 的背景下。

    May, 2024

  • 并行多目标超参数优化的均匀归一化与有界目标

    机器学习模型的超参数优化是一个具有多目标的挑战性问题，本研究提出了一种多目标贝叶斯优化算法，通过统一目标规范化和随机化权重在标量化中解决了不同目标尺度的问题，并通过限制目标来提高算法效率，最后通过并行化加速了优化过程。

    Sep, 2023

  • 使用平衡传播训练伊辛机

    本文介绍了一种新的方法，使用平衡传播算法对 Ising 机器进行监督训练，获得与软件实现相当的结果。我们使用 D-Wave Ising 机器的量子退火程序在 MNIST 数据集上训练全连接神经网络，并且证明了该机器的连通性支持卷积操作，从而实现了每个神经元最小旋转的紧凑卷积网络的训练。这些发现将 Ising 机器作为一种有前途的可训练硬件平台，具有提高机器学习应用的潜力。

    May, 2023