論文の概要: A non-algorithmic approach to "programming" quantum computers via machine learning

• arxiv url: http://arxiv.org/abs/2007.08327v1
• Date: Thu, 16 Jul 2020 13:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 07:14:08.743375
• Title: A non-algorithmic approach to "programming" quantum computers via machine learning
• Title（参考訳）: 機械学習による量子コンピュータの「プログラミング」への非アルゴリズム的アプローチ
• Authors: Nathan Thompson, James Steck, Elizabeth Behrman
• Abstract要約: 機械学習はアルゴリズムを構築するための体系的な手法、すなわちアルゴリズムを非アルゴリズム的に「プログラム」量子コンピュータに利用できることを示す。 量子状態の絡み合いを実験的に推定する、基本的な非古典的な計算を用いてこれを実証する。 この結果、IBMハードウェアへの移植に成功し、ハイブリッド強化学習法を用いて訓練された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Major obstacles remain to the implementation of macroscopic quantum computing: hardware problems of noise, decoherence, and scaling; software problems of error correction; and, most important, algorithm construction. Finding truly quantum algorithms is quite difficult, and many of these genuine quantum algorithms, like Shor's prime factoring or phase estimation, require extremely long circuit depth for any practical application, which necessitates error correction. In contrast, we show that machine learning can be used as a systematic method to construct algorithms, that is, to non-algorithmically "program" quantum computers. Quantum machine learning enables us to perform computations without breaking down an algorithm into its gate "building blocks", eliminating that difficult step and potentially increasing efficiency by simplifying and reducing unnecessary complexity. In addition, our non-algorithmic machine learning approach is robust to both noise and to decoherence, which is ideal for running on inherently noisy NISQ devices which are limited in the number of qubits available for error correction. We demonstrate this using a fundamentally non-classical calculation: experimentally estimating the entanglement of an unknown quantum state. Results from this have been successfully ported to the IBM hardware and trained using a hybrid reinforcement learning method.
• Abstract（参考訳）: 主な障害は、ノイズ、デコヒーレンス、スケーリングのハードウェア問題、エラー修正のソフトウェア問題、そして最も重要なアルゴリズム構築である。 真の量子アルゴリズムを見つけることは極めて困難であり、Shorの素因数分解や位相推定のような真の量子アルゴリズムの多くは、誤り訂正を必要とする実用的な応用において非常に長い回路深さを必要とする。 対照的に、機械学習はアルゴリズムを構築するための体系的手法として、すなわち非アルゴリズム的「プログラム」量子コンピュータに使用できることを示した。 量子機械学習(quantum machine learning)は、アルゴリズムを"ビルディングブロック"に分解することなく計算を実行可能にする。 さらに、我々の非アルゴリズム機械学習アプローチはノイズとデコヒーレンスの両方に対して堅牢であり、エラー訂正に利用可能な量子ビット数に制限のある、本質的にノイズの多いNISQデバイス上での動作に最適である。 量子状態の絡み合いを実験的に推定する、基本的な非古典的な計算を用いてこれを実証する。 この結果、IBMハードウェアへの移植に成功し、ハイブリッド強化学習法を用いて訓練された。

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)
• Complexity analysis of weakly noisy quantum states via quantum machine learning [1.203955415344484]
  我々は弱雑音状態の複雑さに焦点を当て、ノイズ状態の準備に必要な最短量子回路のサイズとして定義する。 構造化量子ニューラルネットワークの固有接続特性を利用した量子機械学習(QML)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-31T06:02:44Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Establishing trust in quantum computations [0.0]
  本稿では, 量子コンピュータがアルゴリズムを実行できる忠実度を計測する手法を提案する。 提案手法は,アルゴリズムの量子回路を,効率よく成功率を計測できる密接な関連回路の集合に変換する。
  論文  参考訳（メタデータ） (2022-04-15T17:44:30Z)
• Programming Quantum Hardware via Levenberg Marquardt Machine Learning [2.127049691404299]
  機械学習は、量子コンピュータを非論理的にプログラムする体系的な方法として使用できる。 我々は、我々の機械学習アプローチがノイズとデコヒーレンスの両方に対して堅牢であることを示した。 この結果、IBMハードウェアへの移植に成功し、強力なハイブリッド強化学習技術を用いてトレーニングされた。
  論文  参考訳（メタデータ） (2022-04-14T15:05:41Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• Noisy intermediate-scale quantum (NISQ) algorithms [0.5325753548715747]
  整数因数分解や非構造データベース探索のような効率よく解くことができる普遍的フォールトトレラント量子コンピュータは、誤り率の低い数百万の量子ビットと長いコヒーレンス時間を必要とする。 このようなデバイスの実現に向けた実験的進歩は数十年の研究を要する可能性があるが、ノイズの多い中規模量子コンピュータ(NISQ)はすでに存在する。 これらのコンピュータは数百のうるさいクビットで構成されている。 誤り訂正されていないキュービットは、限られたコヒーレンス時間で不完全な操作を実行する。
  論文  参考訳（メタデータ） (2021-01-21T05:27:34Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。