論文の概要: LEAP: Scaling Numerical Optimization Based Synthesis Using an
Incremental Approach
- arxiv url: http://arxiv.org/abs/2106.11246v2
- Date: Fri, 17 Dec 2021 21:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 23:05:11.400726
- Title: LEAP: Scaling Numerical Optimization Based Synthesis Using an
Incremental Approach
- Title(参考訳): LEAP: 漸進的アプローチによる数値最適化に基づく合成のスケーリング
- Authors: Ethan Smith, Marc G. Davis, Jeffrey Larson, Ed Younis, Costin Iancu,
Wim Lavrijsen
- Abstract要約: LEAPアルゴリズムは、反復回路合成、インクリメンタル再最適化、次元削減、数値最適化により、次元間のスケーリングを改善する。
LEAPは、QFTのような既知の量子回路や、VQE、TFIM、QITEといった物理シミュレーション回路で評価された。
- 参考スコア(独自算出の注目度): 0.9297355862757838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While showing great promise, circuit synthesis techniques that combine
numerical optimization with search over circuit structures face scalability
challenges due to a large number of parameters, exponential search spaces, and
complex objective functions. The LEAP algorithm improves scaling across these
dimensions using iterative circuit synthesis, incremental re-optimization,
dimensionality reduction, and improved numerical optimization. LEAP draws on
the design of the optimal synthesis algorithm QSearch by extending it with an
incremental approach to determine constant prefix solutions for a circuit. By
narrowing the search space, LEAP improves scalability from four to six qubit
circuits. LEAP was evaluated with known quantum circuits such as QFT and
physical simulation circuits like the VQE, TFIM, and QITE. LEAP can compile
four qubit unitaries up to $59\times$ faster than QSearch and five and six
qubit unitaries with up to $1.2\times$ fewer CNOTs compared to the QFAST
package. LEAP can reduce the CNOT count by up to $36\times$, or $7\times$ on
average, compared to the CQC Tket compiler. Despite its heuristics, LEAP has
generated optimal circuits for many test cases with a priori known solutions.
The techniques introduced by LEAP are applicable to other
numerical-optimization-based synthesis approaches.
- Abstract(参考訳): 数値最適化とサーキット構造を組み合わせた回路合成技術は,多くのパラメータや指数探索空間,複雑な対象関数などにより,スケーラビリティ上の課題に直面している。
LEAPアルゴリズムは、繰り返し回路合成、漸進的再最適化、次元減少、数値最適化の改善により、これらの次元にわたるスケーリングを改善する。
LEAPは最適合成アルゴリズムQSearchの設計をインクリメンタルなアプローチで拡張し、回路の定数プレフィックス解を決定する。
検索スペースを狭めることで、LEAPはスケーラビリティを4から6キュービットの回路に改善する。
LEAPは、QFTのような既知の量子回路や、VQE、TFIM、QITEといった物理シミュレーション回路で評価された。
leapは4つのキュービット単位を最大59\times$でqsearchより高速に、最大12\times$で5と6つのキュービット単位をqfastパッケージより少ないcnotでコンパイルできる。
LEAPは、CQC Tketコンパイラと比較して、CNOTのカウントを最大36\times$または7\times$に削減できる。
そのヒューリスティック性にもかかわらず、LEAPは先述した解を持つ多くのテストケースに対して最適な回路を生成する。
LEAPによって導入された手法は他の数値最適化に基づく合成手法に適用できる。
関連論文リスト
- Fast, Scalable, Warm-Start Semidefinite Programming with Spectral
Bundling and Sketching [53.91395791840179]
我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。
USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
論文 参考訳(メタデータ) (2023-12-19T02:27:22Z) - Improving Quantum Circuit Synthesis with Machine Learning [0.7894596908025954]
機械学習をユニタリデータセットに適用することで、合成アルゴリズムの大幅な高速化が可能になることを示す。
本稿では,学習モデルを用いたシード合成アルゴリズムQSeedについて述べる。
論文 参考訳(メタデータ) (2023-06-09T01:53:56Z) - Twisted hybrid algorithms for combinatorial optimization [68.8204255655161]
提案されたハイブリッドアルゴリズムは、コスト関数をハミルトニアン問題にエンコードし、回路の複雑さの低い一連の状態によってエネルギーを最適化する。
レベル$p=2,ldots, 6$の場合、予想される近似比をほぼ維持しながら、レベル$p$を1に減らすことができる。
論文 参考訳(メタデータ) (2022-03-01T19:47:16Z) - Unsupervised strategies for identifying optimal parameters in Quantum
Approximate Optimization Algorithm [3.508346077709686]
最適化なしでパラメータを設定するための教師なし機械学習手法について検討する。
繰り返しに使用するQAOAパラメータの数が3ドルに制限された場合、これらをRecursive-QAOAで3ドルまで紹介します。
我々は、アングルを広範囲に最適化し、多数のサーキットコールを省く場合と同じような性能を得る。
論文 参考訳(メタデータ) (2022-02-18T19:55:42Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳(メタデータ) (2022-01-06T21:02:30Z) - 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 optimization via four-body Rydberg gates [0.0]
高速で高忠実な4体リドベルクパリティゲートを提案し,解析する。
我々のゲートは1回最適化された断熱レーザーパルスに依存しており、動作中に2回のホールドタイムを調整することで完全にプログラム可能である。
小型テスト問題に対する量子近似最適化アルゴリズム(QAOA)の実装を実証する。
論文 参考訳(メタデータ) (2021-06-04T18:33:09Z) - QFAST: Conflating Search and Numerical Optimization for Scalable Quantum
Circuit Synthesis [5.406226763868874]
本稿では,短絡回路を創出し,実際によくスケールするように設計された量子合成アルゴリズムを提案する。
主な貢献は、一般的な「ゲート」を用いて配置と位相をエンコードできる回路の新たな表現である。
最適深度、検索に基づく最先端技術と比較すると、QFASTは同等の結果が得られる。
論文 参考訳(メタデータ) (2021-03-12T05:20:12Z) - 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) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳(メタデータ) (2020-07-29T05:26:19Z) - Accelerating Quantum Approximate Optimization Algorithm using Machine
Learning [6.735657356113614]
本稿では,量子近似最適化アルゴリズム(QAOA)の実装を高速化する機械学習手法を提案する。
QAOAは、いわゆる量子超越性を証明する量子古典ハイブリッドアルゴリズムである。
提案手法は,264種類のグラフを用いて行った解析から,最適化の繰り返し回数を最大65.7%削減できることを示す。
論文 参考訳(メタデータ) (2020-02-04T02:21:00Z)
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。