論文の概要: Every Classical Sampling Circuit is a Quantum Sampling Circuit
- arxiv url: http://arxiv.org/abs/2109.04842v1
- Date: Fri, 10 Sep 2021 12:52:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 11:47:53.672693
- Title: Every Classical Sampling Circuit is a Quantum Sampling Circuit
- Title(参考訳): 全ての古典的サンプリング回路は量子サンプリング回路である
- Authors: Steven Herbert
- Abstract要約: このノートは、ある確率分布を符号化する量子状態である「Q-marginals」を紹介している。
これは、興味の確率分布の古典的な回路サンプリングから直接作成できることを示している。
- 参考スコア(独自算出の注目度): 0.8122270502556371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This note introduces "Q-marginals", which are quantum states encoding some
probability distribution in a manner suitable for use in Quantum Monte Carlo
Integration (QMCI), and shows that these can be prepared directly from a
classical circuit sampling for the probability distribution of interest. This
result is important as the quantum advantage in Monte Carlo integration is in
the form of a reduction in the number of uses of a quantum state encoding the
probability distribution (in QMCI) relative to the number of samples that would
be required in classical MCI -- hence it only translates into a computational
advantage if the number of operations required to prepare this quantum state
encoding the probability distribution is comparable to the number of operations
required to generate a classical sample (as the Q-marginal construction
achieves).
- Abstract(参考訳): このノートでは、量子モンテカルロ積分(qmci)での使用に適した方法で確率分布を符号化する量子状態である「q-marginals」を紹介し、これらは興味の確率分布のために古典回路サンプリングから直接作成できることを示す。
This result is important as the quantum advantage in Monte Carlo integration is in the form of a reduction in the number of uses of a quantum state encoding the probability distribution (in QMCI) relative to the number of samples that would be required in classical MCI -- hence it only translates into a computational advantage if the number of operations required to prepare this quantum state encoding the probability distribution is comparable to the number of operations required to generate a classical sample (as the Q-marginal construction achieves).
関連論文リスト
- Quantum state preparation for bell-shaped probability distributions using deconvolution methods [0.0]
量子データをロードするための古典量子ハイブリッド手法を提案する。
本稿では,Jensen-Shannon距離をコスト関数として用いて,古典的なステップから得られる結果の近接度と目標分布を定量化する。
デコンボリューションステップからの出力は、与えられた確率分布をロードするために必要な量子回路を構築するために使用される。
論文 参考訳(メタデータ) (2023-10-08T06:55:47Z) - Accelerating variational quantum Monte Carlo using the variational
quantum eigensolver [0.0]
変分モンテカルロ法(VMC)は量子状態に対応する分布から古典的にサンプリングするために用いられる。
本稿では,この初期分布を量子コンピュータを用いて生成したサンプルに置き換えることを提案する。
論文 参考訳(メタデータ) (2023-07-15T05:45:55Z) - QAOA-MC: Markov chain Monte Carlo enhanced by Quantum Alternating
Operator Ansatz [0.6181093777643575]
本稿では,量子交換演算子 Ansatz (QAOA) のモンテカルロへの応用を提案する。
この研究は、現在利用可能な量子コンピュータで実用的な量子優位性を実現するための重要なステップである。
論文 参考訳(メタデータ) (2023-05-15T16:47:31Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Protocols for classically training quantum generative models on
probability distributions [17.857341127079305]
量子生成モデリング(QGM)は、量子状態を作成し、サンプルを隠れた(あるいは既知の)確率分布として生成することに依存する。
そこで本研究では,QGMの高速勾配を考慮した回路に基づく古典的学習手法を提案する。
通常のデスクトップコンピュータ上で最大30キュービットの確率分布を用いたIQP回路のエンドツーエンドのトレーニングを数値的に示す。
論文 参考訳(メタデータ) (2022-10-24T17:57:09Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Quantum-enhanced Markov chain Monte Carlo [0.22166578153935784]
いくつかのアプリケーションにおいてボトルネックとなる分布のサンプリングに量子アルゴリズムを導入する。
それぞれのステップで、量子プロセッサは重ね合わせのモデルを探索し、ランダムな動きを提案し、古典的なコンピュータで受け入れられるか拒否される。
この量子アルゴリズムは、関連する問題インスタンス上の典型的なMCMC代替よりも少ないイテレーションで収束する。
論文 参考訳(メタデータ) (2022-03-23T15:50:12Z) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳(メタデータ) (2021-10-11T18:00:20Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳(メタデータ) (2021-08-30T23:50:05Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳(メタデータ) (2021-03-12T20:58:41Z) - Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs.
Coded Systems [69.33243249411113]
パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。
我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
論文 参考訳(メタデータ) (2020-12-15T15:51:27Z)
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。