Квадратичная неограниченная бинарная оптимизация
Квадратичная неограниченная бинарная оптимизация ( QUBO ), также известная как неограниченное двоично-квадратичное программирование ( UBQP ), представляет собой задачу комбинаторной оптимизации с широким спектром приложений от финансов и экономики до машинного обучения . [ 1 ] QUBO — это NP-сложная задача, и для многих классических задач теоретической информатики , таких как максимальный разрез , раскраска графа и проблема разделения , были сформулированы вложения в QUBO. [ 2 ] [ 3 ] Вложения для моделей машинного обучения включают машины опорных векторов , кластеризацию и вероятностные графические модели . [ 4 ] Более того, из-за своей тесной связи с моделями Изинга , QUBO представляет собой центральный класс проблем адиабатических квантовых вычислений , где он решается с помощью физического процесса, называемого квантовым отжигом . [ 5 ]
Определение
[ редактировать ]Набор двоичных векторов фиксированной длины обозначается , где — это набор двоичных значений (или битов ). Нам дана вещественная верхняя треугольная матрица , чьи записи определить вес для каждой пары индексов внутри бинарного вектора. Мы можем определить функцию который присваивает значение каждому двоичному вектору через
Интуитивно вес добавляется, если оба и иметь значение 1. Когда , значения добавляются, если , как для всех .
Задача QUBO состоит в нахождении двоичного вектора это минимально по отношению к , а именно
В общем, не является уникальным, то есть может существовать набор минимизирующих векторов с равным значением относительно . Сложность QUBO возникает из-за количества оцениваемых двоичных векторов-кандидатов, а именно: растет в геометрической прогрессии .
Иногда QUBO определяют как задачу максимизации , что эквивалентно минимизации .
Характеристики
[ редактировать ]QUBO является масштабно-инвариантным для положительных факторов. , которые оставляют оптимум без изменений:
В своей общей форме задача QUBO является NP-трудной и не может быть эффективно решена ни одним алгоритмом с полиномиальным временем. [ 6 ] Однако существуют полиномиально разрешимые частные случаи, когда имеет определенные свойства, [ 7 ] например:
- Если все коэффициенты положительны, оптимум тривиально . Аналогично, если все коэффициенты отрицательны, оптимум равен .
- Если диагонально , биты можно оптимизировать независимо , и проблема разрешима в . Оптимальные назначения переменных просто если , и в противном случае.
- Если все недиагональные элементы неположительны, соответствующая задача QUBO разрешима за полиномиальное время. [ 8 ]
QUBO можно решить с помощью целочисленного линейного программирования, решателей таких как CPLEX или Gurobi Optimizer . Это возможно, поскольку QUBO можно переформулировать как задачу бинарной оптимизации с линейными ограничениями. Для этого замените произведение дополнительной двоичной переменной и добавьте ограничения , и . Обратите внимание, что также может быть релаксирован до непрерывных переменных в пределах нуля и единицы.
Приложения
[ редактировать ]QUBO — это структурно простая, но вычислительно сложная задача оптимизации. Его можно использовать для кодирования широкого спектра задач оптимизации из различных научных областей. [ 9 ]
Кластерный анализ
[ редактировать ]В качестве наглядного примера того, как QUBO можно использовать для кодирования задачи оптимизации, рассмотрим задачу кластерного анализа . Здесь нам дан набор из 20 точек в 2D-пространстве, описываемый матрицей , где каждая строка содержит две декартовых координаты . Мы хотим присвоить каждую точку одному из двух классов или кластеров , чтобы точки в одном кластере были похожи друг на друга. Для двух кластеров мы можем назначить двоичную переменную до точки, соответствующей -я строка в , указывающий, принадлежит ли он первому ( ) или второй кластер ( ). Следовательно, у нас есть 20 бинарных переменных, которые образуют бинарный вектор что соответствует кластерному назначению всех точек (см. рисунок).
Один из способов получить кластеризацию — рассмотреть попарные расстояния между точками. Учитывая назначение кластера , один из или оценивается как 1, если указывает и находятся в одном кластере. Аналогично, один из или указывает на то, что они находятся в разных кластерах. Позволять обозначаем евклидово расстояние между точками и . Чтобы определить функцию стоимости, которую следует минимизировать, когда точки и находятся в одном кластере, мы добавляем их положительное расстояние и вычтите его, когда они находятся в разных кластерах. Таким образом, оптимальное решение имеет тенденцию помещать точки, находящиеся далеко друг от друга, в разные кластеры, а точки, расположенные близко, — в один и тот же кластер. Таким образом, функция стоимости сводится к
Из второй строки параметры QUBO можно легко найти, переставив их следующим образом:
Используя эти параметры, оптимальное решение QUBO будет соответствовать оптимальному кластеру относительно функции выше стоимости.
Подключение к моделям Изинга
[ редактировать ]QUBO очень тесно связан и вычислительно эквивалентен модели Изинга которой , функция Гамильтона определяется как
с вещественными параметрами для всех . Спиновые переменные являются двоичными со значениями из вместо . Более того, в модели Изинга переменные обычно располагаются в решетке, где только соседние пары переменных может иметь ненулевые коэффициенты. Применение идентичности дает эквивалентную задачу QUBO: [ 2 ]
где
и используя тот факт, что для двоичной переменной .
Поскольку константа не меняет положения оптимума , им можно пренебречь при оптимизации, и он важен только для восстановления исходного значения функции Гамильтона.
Ссылки
[ редактировать ]- ^ Коченбергер, Гэри; Хао, Джин-Као; Гловер, Фред; Льюис, Марк; Лу, Чжипенг; Ван, Хайбо; Ван, Ян (2014). «Задача неограниченного бинарно-квадратичного программирования: обзор» (PDF) . Журнал комбинаторной оптимизации . 28 : 58–81. дои : 10.1007/s10878-014-9734-0 . S2CID 16808394 .
- ^ Jump up to: а б Гловер, Фред; Кохенбергер, Гэри (2019). «Учебное пособие по формулированию и использованию моделей QUBO». arXiv : 1811.11538 [ cs.DS ].
- ^ Лукас, Эндрю (2014). «Формулировки Изинга многих задач NP» . Границы в физике . 2 : 5. arXiv : 1302.5843 . Бибкод : 2014FrP.....2....5L . дои : 10.3389/fphy.2014.00005 .
- ^ Мюке, Саша; Пятковски, Нико; Морик, Катарина (2019). «Обучение шаг за шагом: извлечение сути машинного обучения» (PDF) . ЛВДА . S2CID 202760166 . Архивировано из оригинала (PDF) 27 февраля 2020 г.
- ^ Том Симонайт (8 мая 2013 г.). «Квантовый компьютер D-Wave участвует в гонках и побеждает» . Обзор технологий MIT. Архивировано из оригинала 24 сентября 2015 года . Проверено 12 мая 2013 г.
- ^ А. П. Паннен (редактор), Квадратичная задача бинарной оптимизации без ограничений: теория, алгоритмы и приложения, Springer, Springer, 2022.
- ^ Чела, Э., Пуннен, AP (2022). Сложность и полиномиально разрешимые частные случаи QUBO. В: Пуннен, А.П. (ред.) Квадратичная задача двоичной оптимизации без ограничений. Спрингер, Чам. https://doi.org/10.1007/978-3-031-04520-2_3
- ^ См. теорему 3.16 в Punnen (2022); Обратите внимание, что авторы предполагают максимизирующую версию QUBO.
- ^ Ратке, Дэниел (10 июня 2021 г.). «Перечень препаратов QUBO» . Проверено 16 декабря 2022 г.
Внешние ссылки
[ редактировать ]- QUBO Benchmark (Бенчмарк пакетов программного обеспечения для точного решения QUBO; часть известной коллекции тестов Mittelmann)
- Эндре Борос, Питер Л. Хаммер и Габриэль Таварес (апрель 2007 г.). «Эвристика локального поиска для квадратичной неограниченной двоичной оптимизации (QUBO)» . Журнал эвристики . 13 (2). Ассоциация вычислительной техники: 99–132. дои : 10.1007/s10732-007-9009-3 . S2CID 32887708 . Проверено 12 мая 2013 г.
- Ди Ван и Роберт Кляйнберг (ноябрь 2009 г.). «Анализ задач квадратичной неограниченной бинарной оптимизации с помощью многопродуктовых потоков» . Дискретная прикладная математика . 157 (18). Эльзевир: 3746–3753. дои : 10.1016/j.dam.2009.07.009 . ПМК 2808708 . ПМИД 20161596 .