Przeprowadzenie prac badawczo-rozwojowych
Notice description
Powstaje w kontekście projektu:
FENG.01.01-IP.02-0831/24 - Opracowanie przez Quantumz.io zintegrowanego systemu klasyczno-kwantowego opartego na algorytmach fizycznych i chaotycznym wyżarzaniu kwantowym do rozwiązywania problemów optymalizacji dyskretnej
Przeprowadzenie prac badawczo-rozwojowych
Celem prac jest budowa modułu umożliwiającego statyczny i dynamiczny wybór najlepszych algorytmów i dobór optymalnych parametrów solverów QUBO. Istnieje wiele algorytmów (heurystyk), które znajdują przybliżone rozwiązania problemów QUBO. Każda z heurystyk ma również wiele parametrów, które kontrolują jej zachowanie. Moduł, zautomatyzuje proces wyboru algorytmu i optymalizacji jego parametrów dla danej rodziny instancji albo dla konkretnej instancji. W pierwszym przypadku, jesteśmy zainteresowani wyborem algorytmów/parametrów, które są dobierane tak, aby uzyskany algorytm działał jak najlepiej dla instancji pochodzących z określonej rodziny. W drugim przypadku, chcemy otrzymać algorytm, który analizuje strukturę danej instancji QUBO i podejmuje decyzję jakie algorytmy/parametry wybrać dla tej konkretnej instancji.
Zakres prac:
1. Budowa biblioteki algorytmów i cech instancji QUBO:
* przystosowanie zaimplementowanych algorytmów heurystycznych rozwiązujących problemy QUBO biorąc pod uwagę parametry kontrolujące ich zachowanie,
* identyfikacja cech instancji QUBO (wyliczanych w oparciu o macierz współczynników jak i z grafu otrzymanego po przekształceniu instancji QUBO na graf MaxCut),
* implementacja algorytmów obliczających te cechy, z naciskiem na szybkie przeprowadzenie obliczeń, np. z wykorzystaniem GPU.
2. Przetwarzanie wstępne instancji (pre-processing) i przetwarzanie końcowe rozwiązania (post-processing):
* implementacja technik sparsyfikacji instancji QUBO w oparciu o metody teorii grafów,
* implementacja technik upraszczania instancji przez identyfikację zmiennych i metod “ukrytej drogi” (backdoor),
* implementacja technik ulepszania rozwiązania zwróconego przez solver.heurystycznego.
3. Wybór algorytmów ze zbioru.
* budowa modelu przewidującego jakość znalezionego rozwiązania jak i czas działania algorytmu heurystycznego dla zadanej jakości rozwiązania,
* rozszerzenie tego modelu do modelu wybierającego najlepszy algorytm ze zbioru heurystyk dla danej instancji QUBO (wersja statyczna) oraz dla danej rodziny instancji QUBO (wersja dynamiczna),
* implementacja co najmniej dwóch typów modeli: opartych o las losowy (random forest) oraz grafowe sieci neuronowe (graph neural networks) z wykorzystaniem uczenia nadzorowanego oraz uczenia ze wzmocnieniem.
4. Dobór optymalnych parametrów.
* budowa modelu przewidującego jakość rozwiązania jak i czas działania danego algorytmu heurystycznego w zależności od parametrów algorytmu,
* rozszerzenie tego modelu do modelu wybierającego najlepsze parametry dla danej instancji QUBO (wersja statyczna) oraz dla danej rodziny instancji QUBO (wersja dynamiczna),
* implementacja co najmniej dwóch typów modeli: opartych o las losowy (random forest) oraz grafowe sieci neuronowe (graph neural networks) z wykorzystaniem uczenia nadzorowanego oraz uczenia ze wzmocnieniem.
5. Eksperymenty, analiza i wnioski konstrukcyjne.
* testy na syntetycznych i praktycznych zestawach danych,
* analiza wyników testów,
* wyciągnięcie wniosków i ich wykorzystanie do poprawienia algorytmów.
Oferent jest zobowiązany do podania w ofercie stawki godzinowej za 1 osobogodzinę wykonywania czynności opisanych powyżej. Rozliczenia z podwykonawcą będą przeprowadzane na podstawie raportu osobogodzin.
Miejsce realizacji
Kraj: Polska, Województwo: mazowieckie, Powiat: Warszawa, Gmina: Śródmieście, Miejscowość: Warszawa
FENG.01.01-IP.02-0831/24 - Opracowanie przez Quantumz.io zintegrowanego systemu klasyczno-kwantowego opartego na algorytmach fizycznych i chaotycznym wyżarzaniu kwantowym do rozwiązywania problemów optymalizacji dyskretnej
Przeprowadzenie prac badawczo-rozwojowych
Celem prac jest budowa modułu umożliwiającego statyczny i dynamiczny wybór najlepszych algorytmów i dobór optymalnych parametrów solverów QUBO. Istnieje wiele algorytmów (heurystyk), które znajdują przybliżone rozwiązania problemów QUBO. Każda z heurystyk ma również wiele parametrów, które kontrolują jej zachowanie. Moduł, zautomatyzuje proces wyboru algorytmu i optymalizacji jego parametrów dla danej rodziny instancji albo dla konkretnej instancji. W pierwszym przypadku, jesteśmy zainteresowani wyborem algorytmów/parametrów, które są dobierane tak, aby uzyskany algorytm działał jak najlepiej dla instancji pochodzących z określonej rodziny. W drugim przypadku, chcemy otrzymać algorytm, który analizuje strukturę danej instancji QUBO i podejmuje decyzję jakie algorytmy/parametry wybrać dla tej konkretnej instancji.
Zakres prac:
1. Budowa biblioteki algorytmów i cech instancji QUBO:
* przystosowanie zaimplementowanych algorytmów heurystycznych rozwiązujących problemy QUBO biorąc pod uwagę parametry kontrolujące ich zachowanie,
* identyfikacja cech instancji QUBO (wyliczanych w oparciu o macierz współczynników jak i z grafu otrzymanego po przekształceniu instancji QUBO na graf MaxCut),
* implementacja algorytmów obliczających te cechy, z naciskiem na szybkie przeprowadzenie obliczeń, np. z wykorzystaniem GPU.
2. Przetwarzanie wstępne instancji (pre-processing) i przetwarzanie końcowe rozwiązania (post-processing):
* implementacja technik sparsyfikacji instancji QUBO w oparciu o metody teorii grafów,
* implementacja technik upraszczania instancji przez identyfikację zmiennych i metod “ukrytej drogi” (backdoor),
* implementacja technik ulepszania rozwiązania zwróconego przez solver.heurystycznego.
3. Wybór algorytmów ze zbioru.
* budowa modelu przewidującego jakość znalezionego rozwiązania jak i czas działania algorytmu heurystycznego dla zadanej jakości rozwiązania,
* rozszerzenie tego modelu do modelu wybierającego najlepszy algorytm ze zbioru heurystyk dla danej instancji QUBO (wersja statyczna) oraz dla danej rodziny instancji QUBO (wersja dynamiczna),
* implementacja co najmniej dwóch typów modeli: opartych o las losowy (random forest) oraz grafowe sieci neuronowe (graph neural networks) z wykorzystaniem uczenia nadzorowanego oraz uczenia ze wzmocnieniem.
4. Dobór optymalnych parametrów.
* budowa modelu przewidującego jakość rozwiązania jak i czas działania danego algorytmu heurystycznego w zależności od parametrów algorytmu,
* rozszerzenie tego modelu do modelu wybierającego najlepsze parametry dla danej instancji QUBO (wersja statyczna) oraz dla danej rodziny instancji QUBO (wersja dynamiczna),
* implementacja co najmniej dwóch typów modeli: opartych o las losowy (random forest) oraz grafowe sieci neuronowe (graph neural networks) z wykorzystaniem uczenia nadzorowanego oraz uczenia ze wzmocnieniem.
5. Eksperymenty, analiza i wnioski konstrukcyjne.
* testy na syntetycznych i praktycznych zestawach danych,
* analiza wyników testów,
* wyciągnięcie wniosków i ich wykorzystanie do poprawienia algorytmów.
Oferent jest zobowiązany do podania w ofercie stawki godzinowej za 1 osobogodzinę wykonywania czynności opisanych powyżej. Rozliczenia z podwykonawcą będą przeprowadzane na podstawie raportu osobogodzin.
Miejsce realizacji
Kraj: Polska, Województwo: mazowieckie, Powiat: Warszawa, Gmina: Śródmieście, Miejscowość: Warszawa
Time limit for receipt of tenders
2026-04-20 21:59:59.0
Location
Kraj: Polska, Województwo: mazowieckie, Powiat: Warszawa, Gmina: Śródmieście, Miejscowość: Warszawa
Category assortment
Consultancy
Buyer details
Quantumz.io Sp. z o. o.
Puławska 12/3
02-566 Warszawa
Województwo: mazowieckie
Kraj: Polska
NIP: 5213959315
Puławska 12/3
02-566 Warszawa
Województwo: mazowieckie
Kraj: Polska
NIP: 5213959315
