論文の概要: Learning to Measure: Adaptive Informationally Complete Generalized
Measurements for Quantum Algorithms
- arxiv url: http://arxiv.org/abs/2104.00569v2
- Date: Fri, 3 Dec 2021 08:57:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 22:22:11.649037
- Title: Learning to Measure: Adaptive Informationally Complete Generalized
Measurements for Quantum Algorithms
- Title(参考訳): 量子アルゴリズムのための適応的情報完全一般化計測の学習
- Authors: Guillermo Garc\'ia-P\'erez, Matteo A. C. Rossi, Boris Sokolov,
Francesco Tacchino, Panagiotis Kl. Barkoutsos, Guglielmo Mazzola, Ivano
Tavernelli and Sabrina Maniscalco
- Abstract要約: 本稿では,情報完全正の演算子値測定(POVM)をオンザフライで最適化するアルゴリズムを提案する。
分子ハミルトニアンの基底状態エネルギーの計算における変分量子固有解器の効率を改善することにより、その利点を示す。
さらに、他の量の関心を推測するために測定データを再利用できるため、アプローチの情報完全性は極めて有利である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many prominent quantum computing algorithms with applications in fields such
as chemistry and materials science require a large number of measurements,
which represents an important roadblock for future real-world use cases. We
introduce a novel approach to tackle this problem through an adaptive
measurement scheme. We present an algorithm that optimizes informationally
complete positive operator-valued measurements (POVMs) on the fly in order to
minimize the statistical fluctuations in the estimation of relevant cost
functions. We show its advantage by improving the efficiency of the variational
quantum eigensolver in calculating ground-state energies of molecular
Hamiltonians with extensive numerical simulations. Our results indicate that
the proposed method is competitive with state-of-the-art measurement-reduction
approaches in terms of efficiency. In addition, the informational completeness
of the approach offers a crucial advantage, as the measurement data can be
reused to infer other quantities of interest. We demonstrate the feasibility of
this prospect by reusing ground-state energy-estimation data to perform
high-fidelity reduced state tomography.
- Abstract(参考訳): 化学や材料科学などの分野に応用された多くの著名な量子コンピューティングアルゴリズムは、将来の現実世界のユースケースにとって重要な障害となる多くの測定を必要とする。
適応的な測定手法によりこの問題に対処する新しい手法を提案する。
本稿では,コスト関数の推定における統計的変動を最小限に抑えるため,情報完全正の演算子値測定(POVM)をフライ時に最適化するアルゴリズムを提案する。
分子ハミルトニアンの基底状態エネルギーの計算における変分量子固有解器の効率を改善することにより、その利点を示す。
提案手法は, 最先端の計測還元手法と効率の面で競合することを示す。
さらに、他の量の関心を推測するために測定データを再利用できるため、アプローチの情報完全性は極めて有利である。
地中エネルギー推定データを再利用して高忠実度縮小状態トモグラフィーの実現可能性を示す。
関連論文リスト
- Adaptive measurement strategy for quantum subspace methods [0.0]
本稿では,量子部分空間法に有用な適応計測最適化法を提案する。
提案手法は、まず古典的にシミュレート可能な状態のQSE計算に基づいて測定プロトコルを決定し、その後、量子測定結果に従ってプロトコルを適応的に更新する。
論文 参考訳(メタデータ) (2023-11-14T04:00:59Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳(メタデータ) (2023-11-07T04:35:03Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - Transition role of entangled data in quantum machine learning [65.73265547435442]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳(メタデータ) (2023-06-06T08:06:43Z) - Multi-qubit State Tomography with Few Pauli Measurements [8.611891055029076]
キャラクタリゼーションツールであるQuantum state tomographyは、未知の量子状態の密度行列を再構成する。
これは、大量の量子ビットに対する測定とデータ処理の膨大な負担のため、実用的ではない。
より少ない測定を必要とするが、期待される精度が得られる効率的なフレームワークを構築します。
論文 参考訳(メタデータ) (2023-05-31T14:10:26Z) - Guaranteed efficient energy estimation of quantum many-body Hamiltonians
using ShadowGrouping [55.47824411563162]
量子多体系のエネルギーの推定は、様々な研究分野におけるパラダイム的な課題である。
本研究の目的は,全測定予算から最も高い証明可能な精度が得られる単一キュービット計測による最適戦略を見出すことである。
私たちはShadowGroupingと呼ばれる実用的で効率的な見積もり戦略を開発します。
論文 参考訳(メタデータ) (2023-01-09T14:41:07Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - Hardware-efficient entangled measurements for variational quantum
algorithms [0.0]
変分アルゴリズムは、ノイズの多い中間スケール量子(NISQ)デバイスを使用して、実用的な問題を解決するために使用できる。
ハードウェア効率のよいエンタングルド計測(HEEM)を提案する。
この戦略により,NISQデバイスにおける分子ハミルトニアンの回路数を削減することにより,分子ハミルトニアンの評価が向上することを示す。
論文 参考訳(メタデータ) (2022-02-14T19:00:16Z) - Adaptive estimation of quantum observables [4.567122178196833]
本稿では,予め取得したデータに基づいて推定器を適応的に修正する計測手法を提案する。
AEQuOと呼ばれる我々のアルゴリズムは、観測可能な推定平均と関連する誤差の両方を継続的に監視する。
我々は、AEQuOが全ての最先端手法を改善するエラー推定を提供する化学ハミルトニアンのプロトコルをテストする。
論文 参考訳(メタデータ) (2021-10-28T17:49:16Z) - IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。
これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。
本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
論文 参考訳(メタデータ) (2020-07-06T17:58:35Z)
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。