論文の概要: Can Error Mitigation Improve Trainability of Noisy Variational Quantum Algorithms?

• arxiv url: http://arxiv.org/abs/2109.01051v1
• Date: Thu, 2 Sep 2021 16:07:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:43:04.718943
• Title: Can Error Mitigation Improve Trainability of Noisy Variational Quantum Algorithms?
• Title（参考訳）: 誤差緩和は雑音変動量子アルゴリズムのトレーサビリティを向上させるか?
• Authors: Samson Wang, Piotr Czarnik, Andrew Arrasmith, M. Cerezo, Lukasz Cincio, Patrick J. Coles
• Abstract要約: 変分量子アルゴリズム(VQA)は、短期量子優位の最良の希望として広く見なされている。 近年の研究では、ノイズはVQAのトレーニング可能性を大幅に制限することが示された。 Error Mitigation (EM) は、ノイズが短期デバイスに与える影響を減らすことを約束している。
• 参考スコア（独自算出の注目度）: 0.8808021343665321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational Quantum Algorithms (VQAs) are widely viewed as the best hope for near-term quantum advantage. However, recent studies have shown that noise can severely limit the trainability of VQAs, e.g., by exponentially flattening the cost landscape and suppressing the magnitudes of cost gradients. Error Mitigation (EM) shows promise in reducing the impact of noise on near-term devices. Thus, it is natural to ask whether EM can improve the trainability of VQAs. In this work, we first show that, for a broad class of EM strategies, exponential cost concentration cannot be resolved without committing exponential resources elsewhere. This class of strategies includes as special cases Zero Noise Extrapolation, Virtual Distillation, Probabilistic Error Cancellation, and Clifford Data Regression. Second, we perform analytical and numerical analysis of these EM protocols, and we find that some of them (e.g., Virtual Distillation) can make it harder to resolve cost function values compared to running no EM at all. As a positive result, we do find numerical evidence that Clifford Data Regression (CDR) can aid the training process in certain settings where cost concentration is not too severe. Our results show that care should be taken in applying EM protocols as they can either worsen or not improve trainability. On the other hand, our positive results for CDR highlight the possibility of engineering error mitigation methods to improve trainability.
• Abstract（参考訳）: 変分量子アルゴリズム(VQA)は、短期量子優位の最良の希望として広く見なされている。 しかし、近年の研究では、ノイズはコストランドスケープを指数関数的に平坦化し、コスト勾配のマグニチュードを抑えることで、VQAのトレーニング可能性を大幅に制限することができることが示されている。 Error Mitigation (EM)は、ノイズが短期デバイスに与える影響を減らすことを約束している。 したがって、EMがVQAのトレーニング性を向上させることができるかどうかを問うことは自然である。 本研究では,広範囲のEM戦略において,指数的資源を他の場所でコミットすることなく指数的コスト集中を解決できないことを示す。 この種の戦略には、ゼロノイズ外挿、仮想蒸留、確率的エラーキャンセル、クリフォードデータ回帰などが含まれる。 第二に、これらのEMプロトコルの分析および数値解析を行い、それらのいくつか(例えば、仮想蒸留)は、EMを全く実行しないよりもコスト関数の値の解決が困難になる。 その結果,Clifford Data Regression (CDR) が,コスト集中度が高すぎる特定の環境でのトレーニングプロセスに有効であることを示す数値的証拠が得られた。 この結果から,EMプロトコルの適用には注意が必要であることが示唆された。 一方,CDRに対する肯定的な結果は,工学的誤り軽減手法がトレーニング性を向上させる可能性を強調している。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• A Study on Optimization Techniques for Variational Quantum Circuits in Reinforcement Learning [2.7504809152812695]
  研究者は変分量子回路(VQC)に注目している VQCは、パラメータによって調整可能な量子回路をマージするハイブリッドアルゴリズムである。 近年の研究では、強化学習にVQCを適用する新しい方法が提示されている。
  論文  参考訳（メタデータ） (2024-05-20T20:06:42Z)
• Inference Stage Denoising for Undersampled MRI Reconstruction [13.8086726938161]
  磁気共鳴画像(MRI)データの再構成は、ディープラーニングによって肯定的な影響を受けている。 重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
  論文  参考訳（メタデータ） (2024-02-12T12:50:10Z)
• Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
  AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。 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。 これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
  論文  参考訳（メタデータ） (2023-10-18T17:59:45Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Reduction of finite sampling noise in quantum neural networks [0.0]
  本稿では,量子モデル学習における期待値の分散を低減する手法である分散正則化を導入する。 この手法は、QNNが適切に構築されている場合、追加の回路評価を必要としない。 本例では,QNNのノイズレベルが著しく低下することを示す。
  論文  参考訳（メタデータ） (2023-06-02T15:59:47Z)
• Quantum error mitigation by hidden inverses protocol in superconducting quantum devices [0.2867517731896504]
  本稿では,コヒーレントエラーを軽減するために,隠れ逆数に基づく変分アルゴリズムの収束性を改善する手法を提案する。 このアプローチは、ノイズ演算子がゲート反転で反転する様々な2ビット誤りモデルの性能を向上させる。 本稿では,変分量子固有解法(VQE)アルゴリズムを動作させる超伝導量子プロセッサに対する緩和手法を適用する。
  論文  参考訳（メタデータ） (2022-04-26T16:05:34Z)
• ReLU Regression with Massart Noise [52.10842036932169]
  本稿では、ReLU回帰の基本的問題として、Rectified Linear Units(ReLU)をデータに適合させることを目標としている。 我々は自然およびよく研究された半ランダムノイズモデルであるMassartノイズモデルにおけるReLU回帰に着目した。 このモデルにおいて,パラメータの正確な回復を実現する効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-10T02:13:22Z)
• Unified approach to data-driven quantum error mitigation [0.7046417074932257]
  本稿では,ZNEとCDRを概念的に統一した,スケーラブルなエラー軽減手法を提案する。 可変ノイズクリフォードデータレグレッション (vnCDR) と呼ばれる我々の手法は、これらの個々の手法を数値ベンチマークで著しく上回っている。 64量子ビットのランダムな量子回路から可観測性を修正する問題に対して、vnCDRはZNEとCDRでそれぞれ2.7と1.5の誤差を改善する。
  論文  参考訳（メタデータ） (2020-11-02T17:56:02Z)
• Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
  本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。 この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:48:12Z)
• DisCor: Corrective Feedback in Reinforcement Learning via Distribution Correction [96.90215318875859]
  ブートストラップに基づくQ-ラーニングアルゴリズムは必ずしも修正フィードバックの恩恵を受けないことを示す。 本稿では,この最適分布に対する近似を計算し,トレーニングに使用する遷移の重み付けに使用する新しいアルゴリズムであるDisCorを提案する。
  論文  参考訳（メタデータ） (2020-03-16T16:18:52Z)

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。