論文の概要: A divide-and-conquer algorithm for quantum state preparation

• arxiv url: http://arxiv.org/abs/2008.01511v2
• Date: Thu, 9 Sep 2021 17:59:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 01:07:17.775709
• Title: A divide-and-conquer algorithm for quantum state preparation
• Title（参考訳）: 量子状態準備のための分数分解アルゴリズム
• Authors: Israel F. Araujo, Daniel K. Park, Francesco Petruccione and Adenilton J. da Silva
• Abstract要約: 本研究では,N次元ベクトルを多対数深度および絡み合った情報を持つ量子回路に負荷させることが可能であることを示す。 その結果,空間の計算時間を交換するために分割・対数戦略を用いて,量子デバイスに効率的にデータをロードできることが示唆された。
• 参考スコア（独自算出の注目度）: 2.2596039727344457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advantages in several fields of research and industry are expected with the rise of quantum computers. However, the computational cost to load classical data in quantum computers can impose restrictions on possible quantum speedups. Known algorithms to create arbitrary quantum states require quantum circuits with depth O(N) to load an N-dimensional vector. Here, we show that it is possible to load an N-dimensional vector with a quantum circuit with polylogarithmic depth and entangled information in ancillary qubits. Results show that we can efficiently load data in quantum devices using a divide-and-conquer strategy to exchange computational time for space. We demonstrate a proof of concept on a real quantum device and present two applications for quantum machine learning. We expect that this new loading strategy allows the quantum speedup of tasks that require to load a significant volume of information to quantum devices.
• Abstract（参考訳）: 量子コンピュータの台頭により、いくつかの分野の研究と産業の利点が期待されている。 しかし、量子コンピュータに古典的なデータをロードする計算コストは、量子スピードアップの制限を課す可能性がある。 任意の量子状態を生成するアルゴリズムは、N次元ベクトルをロードするために深さ O(N) の量子回路を必要とする。 ここでは,多対数深度および絡み合った情報を持つ量子回路でN次元ベクトルを読み込むことができることを示す。 その結果,計算時間を空間に交換するための分割・分割戦略を用いて,量子デバイスで効率的にデータをロードできることがわかった。 本稿では,実量子デバイスの概念実証を行い,量子機械学習の2つの応用例を示す。 この新たなローディング戦略により、大量の情報を量子デバイスにロードする必要があるタスクの量子スピードアップが可能になります。

関連論文リスト

• Application of Large Language Models to Quantum State Simulation [0.11666234644810894]
  現在、様々な量子シミュレーターが研究者に強力なツールを提供しているが、これらのシミュレーターで量子進化をシミュレートすると、しばしば高コストが発生する。 本稿では、1量子ビットと2量子ビットの量子シミュレータモデルを構築し、複数の量子ビットに拡張し、最終的には3量子ビットの例を実装する過程を詳述する。 本研究は,LLMが量子ビット間の進化パターンを理論的出力状態と比較して最小限の誤差で効果的に学習し,予測できることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T07:23:13Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Resonant Dimensionality Reduction and Its Application in Quantum Machine Learning [2.7119354495508787]
  本稿では,入力データの次元を低減するために,量子共振器遷移に基づくQRDRアルゴリズムを提案する。 QRDR後、入力データの寸法$N$を所望のスケール$R$に減らし、元のデータの有効情報を保存する。 我々のアルゴリズムは様々な計算分野に応用できる可能性がある。
  論文  参考訳（メタデータ） (2024-05-21T09:26:18Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• 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)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Data compression for quantum machine learning [2.119778346188635]
  量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。 提案手法により,必要量子ビット数と量子回路の深さを調整できる。
  論文  参考訳（メタデータ） (2022-04-24T03:03:14Z)
• Qsun: an open-source platform towards practical quantum machine learning applications [0.0]
  本稿では、量子状態波動関数によって演算を下線化している量子仮想マシンQsunを紹介する。 次に、量子機械学習の代表である量子線形回帰と量子ニューラルネットワークの2つのテストについて報告する。
  論文  参考訳（メタデータ） (2021-07-22T09:37:31Z)
• 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)
• Quantum walk processes in quantum devices [55.41644538483948]
  グラフ上の量子ウォークを量子回路として表現する方法を研究する。 提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
  論文  参考訳（メタデータ） (2020-12-28T18:04:16Z)

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。