論文の概要: Quantum circuit optimization with deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2103.07585v1
• Date: Sat, 13 Mar 2021 00:49:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 06:37:37.149969
• Title: Quantum circuit optimization with deep reinforcement learning
• Title（参考訳）: 深部強化学習による量子回路最適化
• Authors: Thomas F\"osel, Murphy Yuezhen Niu, Florian Marquardt, Li Li
• Abstract要約: 本稿では,強化学習に基づく量子回路最適化手法を提案する。 エージェントがディープ畳み込みニューラルネットワークによって実現され、任意の回路を最適化するための汎用戦略を自律的に学習する方法を実証する。 トレーニングで使用されるよりも大きな回路への外挿について検討し、この手法を短期量子デバイスにどのように活用するかを考察する。
• 参考スコア（独自算出の注目度）: 3.047409448159345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central aspect for operating future quantum computers is quantum circuit optimization, i.e., the search for efficient realizations of quantum algorithms given the device capabilities. In recent years, powerful approaches have been developed which focus on optimizing the high-level circuit structure. However, these approaches do not consider and thus cannot optimize for the hardware details of the quantum architecture, which is especially important for near-term devices. To address this point, we present an approach to quantum circuit optimization based on reinforcement learning. We demonstrate how an agent, realized by a deep convolutional neural network, can autonomously learn generic strategies to optimize arbitrary circuits on a specific architecture, where the optimization target can be chosen freely by the user. We demonstrate the feasibility of this approach by training agents on 12-qubit random circuits, where we find on average a depth reduction by 27% and a gate count reduction by 15%. We examine the extrapolation to larger circuits than used for training, and envision how this approach can be utilized for near-term quantum devices.
• Abstract（参考訳）: 将来の量子コンピュータを運用するための中心的な側面は量子回路最適化であり、すなわちデバイスの性能から量子アルゴリズムの効率的な実現の探索である。 近年,高レベルの回路構造を最適化する強力な手法が開発されている。 しかし、これらのアプローチは考慮されておらず、量子アーキテクチャのハードウェアの詳細を最適化することはできない。 そこで本研究では,強化学習に基づく量子回路最適化手法を提案する。 ディープ畳み込みニューラルネットワークによって実現されたエージェントは、ユーザが自由に選択可能な特定のアーキテクチャ上で任意の回路を最適化するための汎用戦略を自律的に学習することができる。 12ビットのランダム回路上でのトレーニングエージェントによるこのアプローチの実現可能性を示す。そこでは,平均で27%,ゲート数で15%の深さ削減を行う。 学習用よりも大きな回路への補間について検討し、このアプローチが短期量子デバイスにどのように活用できるかを考察する。

関連論文リスト

• Surrogate optimization of variational quantum circuits [1.0546736060336612]
  変分量子固有解法は、多くの応用に影響を及ぼすことのできる短期的アルゴリズムとして評価される。 収束性を改善するアルゴリズムや手法を見つけることは、VQEの短期ハードウェアの能力を加速するために重要である。
  論文  参考訳（メタデータ） (2024-04-03T18:00:00Z)
• Line Search Strategy for Navigating through Barren Plateaus in Quantum Circuit Training [0.0]
  変分量子アルゴリズムは、短期デバイスにおける量子優位性を示すための有望な候補と見なされている。 本研究では,回路トレーニングにおけるバレンプラトー問題(BP)の悪影響を軽減するために,新しい最適化手法を提案する。 我々は16ドルキュービットと15,000ドルのエンタングゲートからなる量子回路に最適化戦略を適用した。
  論文  参考訳（メタデータ） (2024-02-07T20:06:29Z)
• Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits [55.616364225463066]
  強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。 私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。 本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-21T10:16:03Z)
• Efficient DCQO Algorithm within the Impulse Regime for Portfolio Optimization [41.94295877935867]
  本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。 提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。 我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:53:08Z)
• Optimizing Quantum Algorithms on Bipotent Architectures [0.0]
  本稿では,二元量子アーキテクチャにおけるハードウェアレベルとアルゴリズムレベルの改善のトレードオフについて検討する。 その結果、パルスレベルの最適化の利点は、鮮やかに最適化されたモノリシックゲートによる改善よりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-03-23T08:57:06Z)
• Graph Neural Network Autoencoders for Efficient Quantum Circuit Optimisation [69.43216268165402]
  我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。 我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。 我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
  論文  参考訳（メタデータ） (2023-03-06T16:51:30Z)
• 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)
• Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
  量子回路をキューネットワークとしてモデル化することを提案する。 提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
  論文  参考訳（メタデータ） (2021-06-26T10:55:52Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Quantum Gate Pattern Recognition and Circuit Optimization for Scientific Applications [1.6329956884407544]
  回路最適化のための2つのアイデアを導入し、AQCELと呼ばれる多層量子回路最適化プロトコルに組み合わせる。 AQCELは、高エネルギー物理学における最終状態の放射をモデル化するために設計された反復的で効率的な量子アルゴリズム上に展開される。 我々の手法は汎用的であり、様々な量子アルゴリズムに有用である。
  論文  参考訳（メタデータ） (2021-02-19T16:20:31Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。