論文の概要: Quantum Architecture Search via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2104.07715v1
• Date: Thu, 15 Apr 2021 18:53:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 14:30:42.171901
• Title: Quantum Architecture Search via Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習による量子アーキテクチャ探索
• Authors: En-Jui Kuo, Yao-Lung L. Fang, Samuel Yen-Chi Chen
• Abstract要約: できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
• 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: Recent advances in quantum computing have drawn considerable attention to building realistic application for and using quantum computers. However, designing a suitable quantum circuit architecture requires expert knowledge. For example, it is non-trivial to design a quantum gate sequence for generating a particular quantum state with as fewer gates as possible. We propose a quantum architecture search framework with the power of deep reinforcement learning (DRL) to address this challenge. In the proposed framework, the DRL agent can only access the Pauli-$X$, $Y$, $Z$ expectation values and a predefined set of quantum operations for learning the target quantum state, and is optimized by the advantage actor-critic (A2C) and proximal policy optimization (PPO) algorithms. We demonstrate a successful generation of quantum gate sequences for multi-qubit GHZ states without encoding any knowledge of quantum physics in the agent. The design of our framework is rather general and can be employed with other DRL architectures or optimization methods to study gate synthesis and compilation for many quantum states.
• Abstract（参考訳）: 量子コンピューティングの最近の進歩は、量子コンピュータの現実的応用の構築にかなりの注目を集めている。 しかし、適切な量子回路アーキテクチャを設計するには専門家の知識が必要である。 例えば、できるだけ少ないゲートで特定の量子状態を生成する量子ゲート列を設計することは非自明である。 本稿では,この課題に対処するために,深層強化学習(DRL)の能力を備えた量子アーキテクチャ探索フレームワークを提案する。 提案したフレームワークでは,DRL エージェントは Pauli-$X$,$Y$,$Z$ 期待値と,対象量子状態の学習のための事前定義された量子演算セットにのみアクセスでき,アドバンテージアクタクリティカル (A2C) と近似ポリシー最適化 (PPO) アルゴリズムによって最適化される。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。 我々のフレームワークの設計は比較的一般的であり、多くの量子状態に対するゲート合成とコンパイルを研究するために他のDRLアーキテクチャや最適化手法を利用できる。

関連論文リスト

• Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
  超伝導プロセッサのための強化学習型量子コンパイラを開発した。 短絡の新規・ハードウェア対応回路の発見能力を示す。 本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
  論文  参考訳（メタデータ） (2024-06-18T01:49:48Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• A Reinforcement Learning Environment for Directed Quantum Circuit Synthesis [4.646930308096446]
  本研究は量子回路合成のための強化学習環境を導入する。 回路は、特定の目標状態を作成するためにクリフォード+Tゲートセットのゲートを利用して構築される。 トレーニングされたエージェントをベンチマークテストに適用することにより、最小限の量子回路を確実に設計できることを実証した。
  論文  参考訳（メタデータ） (2024-01-13T11:55:54Z)
• 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)
• Monte Carlo Graph Search for Quantum Circuit Optimization [26.114550071165628]
  本研究はモンテカルログラフ探索に基づく量子アーキテクチャ探索アルゴリズムと重要サンプリングの尺度を提案する。 これは、離散ゲートと連続変数を含むゲートの両方に対して、ゲートオーダーの最適化に適用できる。
  論文  参考訳（メタデータ） (2023-07-14T14:01:25Z)
• On-the-fly Tailoring towards a Rational Ansatz Design for Digital Quantum Simulations [0.0]
  量子デバイスで物理的に実現可能な低深さ量子回路を開発することが不可欠である。 我々は,最適なアンサッツを動的に調整できるアンサッツ構成プロトコルを開発した。 アンザッツの構成は、エネルギーソートと演算子の可換性事前スクリーニングによって並列量子アーキテクチャで実行される可能性がある。
  論文  参考訳（メタデータ） (2023-02-07T11:22:01Z)
• Assessing requirements to scale to practical quantum advantage [56.22441723982983]
  大規模量子アプリケーションに必要なリソースを推定するために,スタックの層を抽象化し,量子リソース推定のためのフレームワークを開発する。 3つのスケールされた量子アプリケーションを評価し、実用的な量子優位性を達成するために数十万から数百万の物理量子ビットが必要であることを発見した。 私たちの研究の目標は、より広範なコミュニティがスタック全体の設計選択を探索できるようにすることで、実用的な量子的優位性に向けた進歩を加速することにあります。
  論文  参考訳（メタデータ） (2022-11-14T18:50:27Z)
• An Optimized Quantum Implementation of ISD on Scalable Quantum Resources [2.274915755738124]
  Prange の ISD アルゴリズムは量子コンピュータ上でより効率的に実装可能であることを示す。 我々は、古典的コプロセッサのアイデアを活用して、ハイブリッドな古典的量子トレードオフを設計する。
  論文  参考訳（メタデータ） (2021-12-12T06:01:10Z)
• Quantum Architecture Search via Continual Reinforcement Learning [0.0]
  本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。 本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
  論文  参考訳（メタデータ） (2021-12-10T19:07:56Z)
• Electronic structure with direct diagonalization on a D-Wave quantum annealer [62.997667081978825]
  本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。 そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
  論文  参考訳（メタデータ） (2020-09-02T22:46:47Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

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。