論文の概要: Quantum Geometric Machine Learning for Quantum Circuits and Control

• arxiv url: http://arxiv.org/abs/2006.11332v2
• Date: Tue, 7 Jul 2020 13:13:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 05:22:54.814583
• Title: Quantum Geometric Machine Learning for Quantum Circuits and Control
• Title（参考訳）: 量子回路と制御のための量子幾何機械学習
• Authors: Elija Perrier, Christopher Ferrie, Dacheng Tao
• Abstract要約: 我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。 量子回路合成問題における時間-最適制御の強化について述べる。 我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
• 参考スコア（独自算出の注目度）: 78.50747042819503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of machine learning techniques to solve problems in quantum control together with established geometric methods for solving optimisation problems leads naturally to an exploration of how machine learning approaches can be used to enhance geometric approaches to solving problems in quantum information processing. In this work, we review and extend the application of deep learning to quantum geometric control problems. Specifically, we demonstrate enhancements in time-optimal control in the context of quantum circuit synthesis problems by applying novel deep learning algorithms in order to approximate geodesics (and thus minimal circuits) along Lie group manifolds relevant to low-dimensional multi-qubit systems, such as SU(2), SU(4) and SU(8). We demonstrate the superior performance of greybox models, which combine traditional blackbox algorithms with prior domain knowledge of quantum mechanics, as means of learning underlying quantum circuit distributions of interest. Our results demonstrate how geometric control techniques can be used to both (a) verify the extent to which geometrically synthesised quantum circuits lie along geodesic, and thus time-optimal, routes and (b) synthesise those circuits. Our results are of interest to researchers in quantum control and quantum information theory seeking to combine machine learning and geometric techniques for time-optimal control problems.
• Abstract（参考訳）: 量子制御における問題を解く機械学習技術と、最適化問題を解決するための確立された幾何学的手法の応用は、量子情報処理における問題解決への幾何学的アプローチを強化するために機械学習アプローチをどのように利用できるのかを自然に探究する。 本稿では,量子幾何学的制御問題に対する深層学習の適用をレビューし,拡張する。 具体的には,SU(2), SU(4), SU(8) などの低次元多ビット系に関連するリー群多様体に沿って,測地学(および最小回路)を近似するために,新しい深層学習アルゴリズムを適用することにより,量子回路合成問題の文脈における時間最適制御の強化を示す。 我々は、従来のブラックボックスアルゴリズムと量子力学の以前の領域知識を組み合わせたグレイボックスモデルの優れた性能を、基礎となる量子回路分布を学習する方法として示す。 以上の結果から,幾何制御技術が両立できることを示す。 a) 幾何学的に合成された量子回路が測地線に沿っている範囲を検証すること。 b) それらの回路を合成する。 量子制御と量子情報理論の研究者たちは,機械学習と幾何学的手法を組み合わせることで,時間最適制御問題に対して関心を寄せている。

関連論文リスト

• From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
  強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
  期待されている量子コンピュータの応用は、科学と産業にまたがる。 本稿では,量子アルゴリズムの応用分野について検討する。 私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
  論文  参考訳（メタデータ） (2023-10-04T17:53:55Z)
• Enhancing variational quantum state diagonalization using reinforcement learning techniques [1.583327010995414]
  我々は、量子状態対角化タスクに必要な非常に浅い量子回路を設計する問題に取り組む。 我々は、RL状態に対する新しい符号化法、高密度報酬関数、およびそれを実現するために$epsilon$-greedyポリシーを使用する。 強化学習法により提案される回路は, 標準変分量子状態対角化アルゴリズムよりも浅いことを示す。
  論文  参考訳（メタデータ） (2023-06-19T17:59:04Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Parametrized Complexity of Quantum Inspired Algorithms [0.0]
  量子アルゴリズムの有望な領域は量子機械学習と量子最適化である。 近年の量子技術、特に量子ソフトウェアの発展により、研究と産業のコミュニティは量子アルゴリズムの新しい応用を見つけようとしている。
  論文  参考訳（メタデータ） (2021-12-22T06:19:36Z)
• Quantum Phase Recognition via Quantum Kernel Methods [6.3286116342955845]
  本稿では,量子位相認識問題における量子学習アルゴリズムのパワーについて考察する。 我々は, 対称性保護位相と対称性破壊位相の認識を含む, 様々な問題に対して, アルゴリズムを数値的にベンチマークする。 本結果は,多粒子系における量子位相遷移の予測における量子機械学習の能力を強調した。
  論文  参考訳（メタデータ） (2021-11-15T06:17:52Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Electronic structure with direct diagonalization on a D-Wave quantum annealer [62.997667081978825]
  本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。 そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
  論文  参考訳（メタデータ） (2020-09-02T22:46:47Z)
• Reinforcement Learning with Quantum Variational Circuits [0.0]
  この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。 具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。 その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
  論文  参考訳（メタデータ） (2020-08-15T00:13:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。