Quadratic unconstrained binary optimization
PulseAugur coverage of Quadratic unconstrained binary optimization — every cluster mentioning Quadratic unconstrained binary optimization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架可自动从自然语言生成QUBO公式
研究人员开发了一个新颖的多智能体框架，能够从自然语言描述中自动生成二次无约束二元优化（QUBO）公式。该系统解决了此类翻译通常所需的难度和领域专业知识。为了评估其有效性，创建了一个名为QUBOBench的新基准，包含100个组合优化问题。所提出的框架在QUBOBench上表现出68%的准确率，显著优于基线方法22%，并且迭代自我修复被确定为关键性能驱动因素。
-
图神经网络和自适应惩罚提升量子退火在路径规划问题上的性能
研究人员开发了一种新方法，以提高在量子退火器上解决带时间窗的容量车辆路径问题（CVRPTW）的效率。他们的方法利用图神经网络（GNN）进行自适应图粗化，降低了问题表述的复杂性。此外，他们引入了自适应惩罚校准，以提高从量子处理器获得的原始样本的质量。这些进展显著提高了量子退火在复杂路径规划问题上的可行性和性能，如在Solomon基准和D-Wave Advantage2硬件上所展示的。
-
新的 QUBO 公式以更少的量子比特改进了货币套利检测
研究人员开发了一种更具资源效率的二次无约束二元优化 (QUBO) 公式，用于货币套利检测。这种新方法结合了从特定货币开始交易周期和考虑交易费用等现实约束，比以前的 QUBO 编码需要更少的逻辑变量。该公式包含汇率的精确锚定-量规重加权，以解决硬件精度限制。与经典模拟退火和先前 QUBO 方法的基准测试表明，它在寻找有利可图的、经过费用调整的交易周期方面是有效的。
-
量子 QUBO 框架提升医学图像分割可扩展性
研究人员开发了一种新颖的基于超像素的 QUBO 框架，以提高量子增强医学图像分割的可扩展性。该方法通过使用 SLIC 将像素分组为感知上有意义的区域，解决了 QUBO 公式中问题规模增长的重大挑战。新方法在 INbreast 乳腺钼靶图像上展示了 4.2% 的分割质量提升和 33 倍的加速，同时大幅减小了问题规模并符合当前量子退火器的连接限制。
-
QUBO 优化解决了 RAG 问答中的证据选择问题
研究人员开发了一种新颖的证据选择方法，用于检索增强问答 (RAG)，将其表述为二次无约束二元优化 (QUBO) 问题。该方法旨在通过平衡相关性、需求覆盖率和其他因素，来改进互补证据段的选择，这对于复杂的多跳问题至关重要。QUBO 选择器提供了一种经济高效且可扩展的替代 LLM 选择器的方法，在 HotpotQA 基准测试上取得了有竞争力的性能，并指明了 RAG 管道的未来方向，即保留 LLM 用于语义处理，同时使用专用求解器进行上下文选择。