論文の概要: FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits
- arxiv url: http://arxiv.org/abs/2103.08572v2
- Date: Wed, 5 May 2021 11:50:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-08 01:59:43.352038
- Title: FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits
- Title（参考訳）: flip:任意サイズパラメトリ量子回路のためのフレキシブル初期化器
- Authors: Frederic Sauvage, Sukin Sim, Alexander A. Kunitsa, William A. Simon,
Marta Mauri, Alejandro Perdomo-Ortiz
- Abstract要約: 任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
- 参考スコア（独自算出の注目度）: 105.54048699217668
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When compared to fault-tolerant quantum computational strategies, variational
quantum algorithms stand as one of the candidates with the potential of
achieving quantum advantage for real-world applications in the near term.
However, the optimization of the circuit parameters remains arduous and is
impeded by many obstacles such as the presence of barren plateaus, many local
minima in the optimization landscape, and limited quantum resources. A
non-random initialization of the parameters seems to be key to the success of
the parametrized quantum circuits (PQC) training. Drawing and extending ideas
from the field of meta-learning, we address this parameter initialization task
with the help of machine learning and propose FLIP: a FLexible Initializer for
arbitrarily-sized Parametrized quantum circuits. FLIP can be applied to any
family of PQCs, and instead of relying on a generic set of initial parameters,
it is tailored to learn the structure of successful parameters from a family of
related problems which are used as the training set. The flexibility advocated
to FLIP hinges in the possibility of predicting the initialization of
parameters in quantum circuits with a larger number of parameters from those
used in the training phase. This is a critical feature lacking in other
meta-learning parameter initializing strategies proposed to date. We illustrate
the advantage of using FLIP in three scenarios: a family of problems with
proven barren plateaus, PQC training to solve max-cut problem instances, and
PQC training for finding the ground state energies of 1D Fermi-Hubbard models.
- Abstract（参考訳）: フォールトトレラントな量子計算戦略と比較すると、変分量子アルゴリズムは、近い将来に実世界のアプリケーションで量子優位を達成する可能性を持つ候補の1つである。
しかし、回路パラメータの最適化は厳しいままであり、バレンプラトーの存在、最適化ランドスケープにおける多くの局所ミニマ、限られた量子資源といった多くの障害によって妨げられている。
パラメータの非ランダム初期化は、パラメタライズド量子回路(PQC)トレーニングの成功の鍵であると考えられる。
メタラーニングの分野からアイデアを引き出し、拡張し、機械学習の助けを借りてこのパラメータ初期化タスクに対処し、任意サイズのパラメタライズド量子回路のためのFLIP(FLexible Initializer)を提案する。
FLIPは任意のPQCの族に適用することができ、初期パラメータの一般的な集合に頼る代わりに、トレーニングセットとして使用される関連する問題の族から成功パラメータの構造を学ぶように調整されている。
FLIPの柔軟性は、トレーニングフェーズで使用されるパラメータの数が多い量子回路において、パラメータの初期化を予測する可能性を示唆している。
これは、現在提案されている他のメタ学習パラメータ初期化戦略に欠けている重要な特徴である。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
関連論文リスト
- Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - Alleviating Barren Plateaus in Parameterized Quantum Machine Learning
Circuits: Investigating Advanced Parameter Initialization Strategies [4.169604865257672]
ランダムパラメータ値を持つ場合、量子量子回路(PQC)はしばしばバレンプラトー(BP)を示す。
BPは量子アルゴリズムの最適化を妨げるため、量子ビット数の増加とともに勾配が消えつつある。
本稿では,PQCにおける古典的機械学習における最先端パラメータ初期化戦略の影響を解析する。
論文 参考訳（メタデータ） (2023-11-22T08:07:53Z) - Pre-optimizing variational quantum eigensolvers with tensor networks [1.4512477254432858]
VQEをシミュレートすることで、パラメータ化量子回路のよい開始パラメータを求める手法を提示し、ベンチマークする。
最大32キュービットのシステムサイズを持つ1Dと2DのFermi-Hubbardモデルに適用する。
2Dでは、VTNEが検出するパラメータは開始構成よりもはるかに低いエネルギーであり、これらのパラメータから開始するVQEは、与えられたエネルギーに降り着くためには、自明に少ない演算を必要とすることを示す。
論文 参考訳（メタデータ） (2023-10-19T17:57:58Z) - Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。
本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。
我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
論文 参考訳（メタデータ） (2023-10-11T14:29:11Z) - Trainability Enhancement of Parameterized Quantum Circuits via Reduced-Domain Parameter Initialization [3.031137751464259]
回路深さの平方根に比例する各パラメータの初期領域を減少させることで、コスト勾配の最大値は、キュービット数と回路深さにほぼ逆向きに減衰することを示す。
この戦略は、特定の量子ニューラルネットワークを指数関数的に多くの局所的なミニマから保護することができる。
論文 参考訳（メタデータ） (2023-02-14T06:41:37Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z) - End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。
アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
論文 参考訳（メタデータ） (2022-11-22T18:54:48Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - 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。