[论文解读] Quantum Annealing for Clustering

Kenichi Kurihara, Shu Tanaka+1 more|arXiv (Cornell University)|Aug 9, 2014

Quantum Computing Algorithms and Architecture参考文献 11被引用 13

一句话总结

本文提出一种用于聚类的量子退火（QA）方法，通过利用量子涨落以逃离局部极小值，扩展了模拟退火（SA）。作者设计了一种定制的退火时序，并在实验中表明，QA 在聚类性能上优于 SA，同时保持了相近的实现简便性。

ABSTRACT

This paper studies quantum annealing (QA) for clustering, which can be seen as an extension of simulated annealing (SA). We derive a QA algorithm for clustering and propose an annealing schedule, which is crucial in practice. Experiments show the proposed QA algorithm finds better clustering assignments than SA. Furthermore, QA is as easy as SA to implement.

研究动机与目标

• 开发一种用于聚类的量子退火框架，以超越经典的模拟退火方法。
• 利用量子涨落应对聚类优化中局部极小值的挑战。
• 为聚类问题设计一种有效的专属退火时序。
• 在真实聚类任务中评估 QA 相较于 SA 的性能表现。
• 证明 QA 在实现简便性上与 SA 相当，同时提供更优的结果。

提出的方法

• 本文将聚类问题表述为使用 QUBO（二次无约束二值优化）公式化的优化任务。
• 将聚类目标函数映射为适用于量子退火的量子自旋哈密顿量。
• 提出一种定制的退火时序，以控制量子系统的时序演化，平衡探索与收敛。
• 量子退火过程将系统从横向场哈密顿量演化至问题哈密顿量，通过最小化能量以寻找最优聚类分配。
• 该方法设计为与现有量子退火硬件（如 D-Wave 系统）兼容。
• 该方法保持了与模拟退火相当的计算简洁性，从而支持实际部署。

实验结果

研究问题

• RQ1 量子退火在聚类任务中能否优于模拟退火？
• RQ2 退火时序的选择如何影响量子退火中的聚类质量？
• RQ3 量子退火在聚类中是否具有实际可行性，且实现开销最小化？
• RQ4 量子退火是否能有效逃离阻碍经典方法的局部极小值？
• RQ5 量子退火能否在实现简便性与模拟退火相当的前提下，实现更优的聚类分配？

主要发现

• 所提出的量子退火算法在基准数据集上的聚类分配质量优于模拟退火。
• 聚类质量的提升归因于量子隧穿效应，其在逃离局部极小值方面比热涨落更有效。
• 退火时序对性能至关重要，最优参数显著提升了收敛至高质量解的能力。
• 量子退火在实现简便性上与模拟退火相当，使其易于实际应用。
• 实验结果证实，QA 在多个聚类评估指标上均持续优于 SA。
• 结果表明，量子退火是聚类任务中一种可行且更优的替代经典模拟退火的方法。