© 2026 Aqora Quantum S.A.S.

Terms Privacy Legal Notice

IEICE ESS FUNDAMENTALS REVIEW

Combinatorial Optimization by Quantum Neural Networks and Its Applications

Mikio Hasegawa

Published Jan 1, 2017• 0 citations

Abstract

近年，イジングハミルトニアンのエネルギー最小化を利用した最適化問題の解法が検討されている（S. Utsunomiya et al., Optics Express 19, 2011）．また，そのような手法を大規模に実装する技術の研究も進んでいる（T. Inagaki et al., Science, 234, 2016）．本稿では，このようなハードウェアで実現する量子ニューラルネットワークを用いた組合せ最適化アルゴリズムを検討する．対象とする組合せ最適化問題の目的関数は，イジングスピンの相互結合に実装することとなる．相互作用によるエネルギー最小化を用いた最適化問題の解法は，Hopfield-Tank Neural Network を用いた従来研究において様々な組合せ最適化問題に適用されてきた．本稿では，Hopfield-Tank Neural Network を用いた巡回セールスマン問題の解法を，量子ニューラルネットワークで動作させる方法を説明する．シミュレーション結果を示しながら，提案手法の有効性を示す．

DOI: 10.1587/essfr.11.2_113

Related papers

Quantum Hopfield Neural Networks: A New Approach and Its Storage Capacity

Nicholas Meinhardt, Niels M. P. Neumann, Frank Phillipson

Lecture notes in computer science•Jan 1, 2020•6 citations

Quantum Neural Network for Combinatorial Optimization and Boltzmann Sampling

Y. Yamamoto

The International Commission for Optics•May 16, 2017•0 citations

Quantum Features and Quantum Neural Network

Kosuke Mitarai

量子コンピュータハードウェアの目覚ましい発展に伴って，量子コンピュータの応用先を広げるための研究が活発化している．様々な応用先の中でも，機械学習への応用は特に注目されている分野である．本稿では，量子コンピュータの基礎的な事項を抑えることからはじめ，量子コンピュータを機械学習に使う手法を大まかに解説する．特に，近未来の量子コンピュータで実行することが期待されている，量子特徴量や量子ニューラルネットワークの考え方に焦点をあてて，最近の研究の展開を紹介する．

The Brain & Neural Networks•Dec 5, 2022•1 citation

Quantum Hopfield Neural Networks : an approach and its storage capacity : Master's thesis

Niels M. P. Neumann, Nicholas Meinhardt

•Jan 1, 2019•0 citations

Studies of quantum combinatorial optimization algorithms: a review

Zhan Li, Yusen Wu, Runqing Zhang +3 more

组合优化问题广泛存在于金融、物流与人工智能等领域，其NP难性质使得经典算法在大规模问题上面临计算瓶颈。量子计算利用叠加、纠缠和量子隧穿等特性为该类问题提供了新的求解范式，在组合优化问题中的应用引起了越来越多的研究兴趣。本文系统回顾了量子组合优化的研究进展，重点介绍了三类算法路径：变分量子算法、基于Ising模型的量子退火和伊辛机以及包括基于Grover搜索、量子漫步和高斯玻色采样的其他量子组合优化算法。随后，围绕问题映射、性能评价与物理实现方面展开了探讨。最后，总结了量子组合优化在硬件、算法和应用方面的主要挑战，并展望了未来在可拓展性、约束建模和跨领域应用的发展趋势。

Chinese Science Bulletin (Chinese Version)•Oct 30, 2025•0 citations

Quantum Hopfield Neural Network and Image Recognition

Ding Qiu-lin

The storage capacity of the conventional Hopfield network is the 0.14 times of the number of neurons(P=0.14N). Because of the huge difficulty in recognizing a large number of images or patterns, researchers are looking for new methods at all times. Quantum neural network (QNN) is a young and outlying science built upon the combination of classical neural network and quantum computing. A Quantum Hopfield neural network (QHNN) whose elements of the storage matrix are distributed in a probability way on the base of quantum linear superposition is presented for speeding up the images recognition and increasing the number of the images recognition. Contrasting to the conventional Hopfield neural network, the storage capacity of the QHNN is increased by a factor of 2N, where N is the number of neurons. Besides, the case analysis and simulation tests have been carried out for the recognition of images in this paper. The result indicates that QHNN can recognize the images or patterns effectively and its working process accords with quantum evolvement process.

•Jan 1, 2008•0 citations

近年，イジングハミルトニアンのエネルギー最小化を利用した最適化問題の解法が検討されている（S. Utsunomiya et al., Optics Express 19, 2011）．また，そのような手法を大規模に実装する技術の研究も進んでいる（T. Inagaki et al., Science, 234, 2016）．本稿では，このようなハードウェアで実現する量子ニューラルネットワークを用いた組合せ最適化アルゴリズムを検討する．対象とする組合せ最適化問題の目的関数は，イジングスピンの相互結合に実装することとなる．相互作用によるエネルギー最小化を用いた最適化問題の解法は，Hopfield-Tank Neural Network を用いた従来研究において様々な組合せ最適化問題に適用されてきた．本稿では，Hopfield-Tank Neural Network を用いた巡回セールスマン問題の解法を，量子ニューラルネットワークで動作させる方法を説明する．シミュレーション結果を示しながら，提案手法の有効性を示す．

量子コンピュータハードウェアの目覚ましい発展に伴って，量子コンピュータの応用先を広げるための研究が活発化している．様々な応用先の中でも，機械学習への応用は特に注目されている分野である．本稿では，量子コンピュータの基礎的な事項を抑えることからはじめ，量子コンピュータを機械学習に使う手法を大まかに解説する．特に，近未来の量子コンピュータで実行することが期待されている，量子特徴量や量子ニューラルネットワークの考え方に焦点をあてて，最近の研究の展開を紹介する．

组合优化问题广泛存在于金融、物流与人工智能等领域，其NP难性质使得经典算法在大规模问题上面临计算瓶颈。量子计算利用叠加、纠缠和量子隧穿等特性为该类问题提供了新的求解范式，在组合优化问题中的应用引起了越来越多的研究兴趣。本文系统回顾了量子组合优化的研究进展，重点介绍了三类算法路径：变分量子算法、基于Ising模型的量子退火和伊辛机以及包括基于Grover搜索、量子漫步和高斯玻色采样的其他量子组合优化算法。随后，围绕问题映射、性能评价与物理实现方面展开了探讨。最后，总结了量子组合优化在硬件、算法和应用方面的主要挑战，并展望了未来在可拓展性、约束建模和跨领域应用的发展趋势。

The storage capacity of the conventional Hopfield network is the 0.14 times of the number of neurons(P=0.14N). Because of the huge difficulty in recognizing a large number of images or patterns, researchers are looking for new methods at all times. Quantum neural network (QNN) is a young and outlying science built upon the combination of classical neural network and quantum computing. A Quantum Hopfield neural network (QHNN) whose elements of the storage matrix are distributed in a probability way on the base of quantum linear superposition is presented for speeding up the images recognition and increasing the number of the images recognition. Contrasting to the conventional Hopfield neural network, the storage capacity of the QHNN is increased by a factor of 2N, where N is the number of neurons. Besides, the case analysis and simulation tests have been carried out for the recognition of images in this paper. The result indicates that QHNN can recognize the images or patterns effectively and its working process accords with quantum evolvement process.