論文の概要: QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits
- arxiv url: http://arxiv.org/abs/2107.10845v1
- Date: Thu, 22 Jul 2021 17:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:55:42.029912
- Title: QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits
- Title（参考訳）: 量子NAS:ロバスト量子回路の雑音適応探索
- Authors: Hanrui Wang and Yongshan Ding and Jiaqi Gu and Yujun Lin and David Z.
Pan and Frederic T. Chong and Song Han
- Abstract要約: ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。
可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。
QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
- 参考スコア（独自算出の注目度）: 26.130594925642143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum noise is the key challenge in Noisy Intermediate-Scale Quantum (NISQ)
computers. Limited research efforts have explored a higher level of
optimization by making the quantum circuit resilient to noise. We propose and
experimentally implement QuantumNAS, the first comprehensive framework for
noise-adaptive co-search of variational circuit and qubit mapping. Variational
quantum circuits are a promising approach for constructing quantum neural
networks for machine learning and variational ansatzes for quantum simulation.
However, finding the best variational circuit and its optimal parameters is
challenging in a high-dimensional Hilbert space. We propose to decouple the
parameter training and circuit search by introducing a novel gate-sharing
SuperCircuit. The SuperCircuit is trained by sampling and updating the
SubCircuits in it and provides an accurate estimation of SubCircuit performance
trained from scratch. Then we perform an evolutionary co-search of SubCircuit
and its qubit mapping. The SubCircuit performance is estimated with parameters
inherited from SuperCircuit and simulated with real device noise models.
Finally, we perform iterative gate pruning and finetuning to further remove the
redundant gates in a fine-grained manner.
Extensively evaluated with 12 QML and VQE benchmarks on 10 quantum computers,
QuantumNAS significantly outperforms noise-unaware search, human and random
baselines. For QML tasks, QuantumNAS is the first to demonstrate over 95%
2-class, 85% 4-class, and 32% 10-class classification accuracy on real quantum
computers. It also achieves the lowest eigenvalue for VQE tasks on H2, H2O,
LiH, CH4, BeH2 compared with UCCSD baselines. We also open-source QuantumEngine
(https://github.com/mit-han-lab/pytorch-quantum) for fast training of
parameterized quantum circuits to facilitate future research.
- Abstract（参考訳）: 量子ノイズは、ノイズの多い中間スケール量子(nisq)コンピュータにおける鍵となる課題である。
限られた研究努力により、量子回路をノイズに耐性を持たせることにより、より高いレベルの最適化が研究されている。
可変回路と量子ビットマッピングのノイズ適応型共探索のための最初の包括的フレームワークであるquantumnasを提案し,実験的に実装する。
変分量子回路は、量子シミュレーションのための機械学習と変分アンサーゼのための量子ニューラルネットワークを構築するための有望なアプローチである。
しかし、最高の変分回路とその最適パラメータを見つけることは、高次元ヒルベルト空間において困難である。
本稿では,新しいゲート共有スーパーサーキットを導入することにより,パラメータトレーニングと回路探索を分離する。
SuperCircuitはSubCircuitsのサンプリングと更新によってトレーニングされ、スクラッチからトレーニングしたSubCircuitのパフォーマンスを正確に推定する。
次に,SubCircuitとその量子ビットマッピングの進化的共同研究を行う。
SubCircuitの性能はSuperCircuitから継承されたパラメータで推定され、実際のデバイスノイズモデルでシミュレートされる。
最後に,冗長なゲートをさらに細粒度に除去するために,反復ゲートプルーニングと微調整を行う。
10の量子コンピュータで12のqmlとvqeベンチマークで広範囲に評価され、quantumnasはノイズ対応検索、人間およびランダムベースラインを大きく上回っている。
QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて示した。
また、UCCSDベースラインと比較して、H2, H2O, LiH, CH4, BeH2上のVQEタスクの最小固有値も達成している。
我々はまた、パラメータ化量子回路の高速なトレーニングのためのQuantumEngine(https://github.com/mit-han-lab/pytorch-quantum)をオープンソース化し、将来の研究を促進する。
関連論文リスト
- Quantum Wasserstein Compilation: Unitary Compilation using the Quantum Earth Mover's Distance [2.502222151305252]
次数1の量子ワッサーシュタイン距離に基づく量子ワッサーシュタインコンパイル(QWC)コスト関数を提案する。
生成逆数ネットワークにおいて、局所的なパウリ可観測値の測定に基づく推定方法を用いて、所定の量子回路を学習する。
論文 参考訳（メタデータ） (2024-09-09T17:46:40Z) - SuperEncoder: Towards Universal Neural Approximate Quantum State Preparation [12.591173729459427]
トレーニング済みのニューラルネットワークを利用して任意の量子状態に対してQSP回路を直接生成できることが示される。
我々の研究は、近似QSPのための普遍的ニューラルデザイナに向けて着実に進んでいる。
論文 参考訳（メタデータ） (2024-08-10T04:39:05Z) - 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) - 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) - 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) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum
Circuits [26.735857677349628]
変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。
パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。
トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
論文 参考訳（メタデータ） (2022-10-15T04:18:41Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - 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。