QAZAGURUMAはFMQAを中核に、ベイズ最適化を含む複数の探索アルゴリズムを統合したブラックボックス最適化ソフトウェアです。

• 特長1. 高度化されたFMQAアルゴリズム群
  • 最先端研究成果に基づく拡張FMQA手法を複数実装。
• 特長2. 多目的最適化対応
  • 目的関数が複数ある問題にも対応可能。
• 特長3. 充実したユーザインタフェース
  • プログラムから呼び出し可能なライブラリや、直感的に操作可能なGUIも提供。

未知関数探索での背景課題

現実的な最適化問題には、

• 最適化したい真の目的関数の数式が分からない
• 解候補の評価には実験やシミュレーションが必要であり、その評価コストが高く数多く評価することが困難
• その中で最適な解を見つけたい

といった「ブラックボックス最適化問題」が存在します。

ブラックボックス最適化問題の例：

• 狙った特性を最大化するような材料組成や構造の探索
• 最適な製造プロセス条件探索

FMQA（Factorization Machine with Quantum Annealing）のメカニズム

FMQAは、少数の観測データから真の目的関数を近似し、その近似モデルを量子計算（アニーリング）で最適化することで、評価回数を抑えながら効率的に良い解を探索する手法です。

FMQAは、

1. 観測データから代理モデル（Factorization Machine）を学習
2. その代理モデルの最小値を量子最適化計算（アニーリング）で探索
3. 得られた候補を実評価
4. データを更新し反復的に学習を繰り返す（1に戻る）

という手順で、少ない評価回数で高品質な解を探索します (*1)。

技術的構成：

• Factorization Machine（FM）：疎なデータでも相互作用を効率的に学習可能な機械学習モデル
• 量子アニーリング計算：FMの最適化を効率的に探索

この組み合わせにより、「評価回数を抑えながら効率的に最適解へ近づく」ことが可能になります。

参考文献

*1: K. Kitai et al., Phys. Rev. Research 2, 2020.