T-QARD Harbor

現在の大学入試共通テストでは、マーク式問題が採用されています。記述式問題を取り入れることも検討されましたが、採点方法等の理由で取り下げられたことは記憶に新しいと思います。マーク式問題のデメリットは、分からない問題でも一定の確率で正解になってしまうことです。裏を返せば、問題文を見ることなく正解することも可能だということです。本記事では、D-Waveマシンを使って問題文を見ることなく共通テストを解いてみせましょう。

この論文では量子アニーリングをシミュレーションする手法である量子モンテカルロ法によって無人航空機(UAV)の無線通信網を作成するアルゴリズムを提案しました。実験の結果、量子モンテカルロ法によって作成した通信網はSAで作成した通信網よりもエネルギー消費量が低くなっていました。

現在使われている信号制御では、局所的にしか渋滞を解消できません。しかし、全体制御の計算量は指数関数的に増大してしまいます。そこで、本論文ではD-Wave2000Qを用いた全体制御手法を提案しています。また、局所制御と比べてどれだけ優位なのかを紹介しています。

分子動力学法を量子アニーリングを組み合わせた古典・量子ハイブリッドの最適化手法を紹介します。そして、本手法を用いて最大カット問題とイジングスピングラス問題を解き、得られる解の精度や計算時間を古典的最適化手法 ( タブーサーチやシミュレーテッドアニーリング ) と比較します。

クラスタリングとは、教師無し学習の一つで、類似した特徴を持ったデータが同じグループに属するようにグループ分けすることを言います。主な手法にk-meansや階層型クラスタリングがありますが、これらは局所探索法であるため厳密解に到達する保証がありません。一方で、SAや遺伝的アルゴリズムのような大域的な探索手法では実行時間が長くなってしまいます。
そこで、本論文では高速に実行可能な量子アニーリングを利用します。まず、量子アニーリングマシンで計算可能な形でクラスタリングを定式化します。そして、それらの問題を解いた結果をk-meansと比較し、提案手法の利点と欠点について議論します。

航空機に対する発着ゲートの割り当ては航空管制において重要な業務の一つとなっています。この際、最も効率良いようなゲート割り当てを求めたいわけだが、これは組合せ最適化問題として扱うことができます。しかしながら、このような問題では最適解を高速に求めることが困難であることが知られています。したがって、本論文では量子アニーリングマシンのような新しいハードウェアの有用性を評価します。しかし、現実世界の問題では数多くの量子ビットを必要とするため、現状の量子アニーリングマシンでそのまま計算を行うことはできません。そこで、問題の構造を維持したまま、データを前処理することで、量子ビットを削減することを試みました。

本論文では量子アニーリングを用いてガンデータの分類を行い、既存アルゴリズムとの比較評価を行います。量子アニーリングは、量子効果を用いてイジング模型の基底状態を探索します。このイジング模型の基底状態を古典的な計算によって探索することが可能なシミュレーテッドアニーリングの性能も評価します。その結果、イジング模型を用いた機械学習アルゴリズムは、学習データが少ない場合に優れた分類性能を持つことがわかりました。

本論文では自動車産業の課題として、Volkswagenの自動車製造に欠かせない工程である車両の塗装順の計算をマルチカーペイントショップ問題として定義し、そのソルバとして量子アニーリングマシンの有効性を評価する。

本論文では、ボルツマンマシンの学習内のサンプリングにD-Waveマシンを用いることで、その画像生成の品質向上を目的としています。
分類器としてニューラルネットワークを予め学習しておき、特定の数字の画像を生成したときに、その画像の分類結果を測ることで直接的な評価を行います。

今回は、量子アニーリングソリューションコンテストに参加した際の発表内容を紹介します。筆者はチームT-QARD-QAPOとして参加し、ポートフォリオ最適化に関するアプリを構想し、発表しました。ポートフォリオ最適化とは、リスクとリターンを考慮して、最適な資産の組み合わせ（ポートフォリオ）を見つけることです。ポートフォリオ最適化には様々な理論がありますが、今回は現代ポートフォリオ理論に基づいたポートフォリオ最適化を行いました。