論文の概要: Supervised Learning Enhanced Quantum Circuit Transformation
- arxiv url: http://arxiv.org/abs/2110.03057v2
- Date: Thu, 27 Jan 2022 17:00:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 07:51:15.460309
- Title: Supervised Learning Enhanced Quantum Circuit Transformation
- Title(参考訳): 教師付き学習による量子回路変換
- Authors: Xiangzhen Zhou, Yuan Feng and Sanjiang Li
- Abstract要約: 実量子処理ユニット(QPU)における量子プログラムの実行には、量子回路変換(QCT)が必要である。
本稿では,浅層回路上の教師あり学習によって訓練されたポリシ人工知能ニューラルネットワーク(ANN)を用いて,既存のQCTアルゴリズムが最も有望なSWAPゲートを選択するのを支援するフレームワークを提案する。
- 参考スコア(独自算出の注目度): 6.72166630054365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A quantum circuit transformation (QCT) is required when executing a quantum
program in a real quantum processing unit (QPU). Through inserting auxiliary
SWAP gates, a QCT algorithm transforms a quantum circuit to one that satisfies
the connectivity constraint imposed by the QPU. Due to the non-negligible gate
error and the limited qubit coherence time of the QPU, QCT algorithms which
minimize gate number or circuit depth or maximize the fidelity of output
circuits are in urgent need. Unfortunately, finding optimized transformations
often involves exhaustive searches, which are extremely time-consuming and not
practical for most circuits. In this paper, we propose a framework that uses a
policy artificial neural network (ANN) trained by supervised learning on
shallow circuits to help existing QCT algorithms select the most promising SWAP
gate. ANNs can be trained off-line in a distributed way. The trained ANN can be
easily incorporated into QCT algorithms without bringing too much overhead in
time complexity. Exemplary embeddings of the trained ANNs into target QCT
algorithms demonstrate that the transformation performance can be consistently
improved on QPUs with various connectivity structures and random or realistic
quantum circuits.
- Abstract(参考訳): 実量子処理ユニット(QPU)で量子プログラムを実行する際には、量子回路変換(QCT)が必要となる。
補助スワップゲートを挿入することで、qctアルゴリズムは量子回路をqpuによって課される接続制約を満たすものに変換する。
qpuの非無視ゲートエラーと限られた量子ビットコヒーレンス時間のため、ゲート数や回路深度を最小化し、出力回路の忠実度を最大化するqctアルゴリズムが緊急に必要である。
残念なことに、最適化された変換を見つけるには、多くの回路で非常に時間がかかり、実用的ではない徹底的な探索が伴うことが多い。
本稿では,浅層回路上の教師あり学習によって訓練されたポリシ人工知能ニューラルネットワーク(ANN)を用いて,既存のQCTアルゴリズムが最も有望なSWAPゲートを選択するのを支援するフレームワークを提案する。
ANNは、分散方法でオフラインでトレーニングすることができる。
訓練された ann は、時間の複雑さのオーバーヘッドをもたらすことなく、簡単に qct アルゴリズムに組み込むことができる。
トレーニングされたANNをターゲットQCTアルゴリズムに埋め込み、様々な接続構造とランダムまたは現実的な量子回路を持つQPU上で変換性能を一貫して改善できることを示す。
関連論文リスト
- Reinforcement learning-assisted quantum architecture search for
variational quantum algorithms [0.0]
この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。
本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。
様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
論文 参考訳(メタデータ) (2024-02-21T12:30:39Z) - 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) - GSQAS: Graph Self-supervised Quantum Architecture Search [0.18899300124593643]
既存の量子アーキテクチャ探索(QAS)アルゴリズムは、探索プロセス中に多数の量子回路を評価する必要がある。
本稿では,自己教師型学習に基づく予測器を訓練するグラフ自己教師型QASであるGSQASを提案する。
GSQASは最先端の予測器ベースのQASより優れており、ラベル付き回路が少なくて性能が良い。
論文 参考訳(メタデータ) (2023-03-22T08:35:28Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Initial-State Dependent Optimization of Controlled Gate Operations with
Quantum Computer [1.2019888796331233]
制御ゲートから冗長な制御操作を取り除くことを目的としたAQCELと呼ばれる新しい回路を導入する。
ベンチマークとして、AQCELは高エネルギー物理学における最終状態の放射をモデル化するために設計された量子アルゴリズムにデプロイされる。
我々は、AQCEL最適化回路が、ゲート数がはるかに少ない等価な最終状態を生成できることを実証した。
論文 参考訳(メタデータ) (2022-09-06T09:19:07Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。
提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文 参考訳(メタデータ) (2021-06-26T10:55:52Z) - Variational quantum compiling with double Q-learning [0.37798600249187286]
強化学習(RL)に基づく変分量子コンパイル(VQC)アルゴリズムを提案する。
エージェントは、ネイティブゲートアルファベットとそれらが行う量子ビットから、二重Q学習によって順次量子ゲートを選択するように訓練される。
NISQデバイスのデコヒーレンスプロセスとゲートノイズによる量子アルゴリズムのエラーを減らすことができます。
論文 参考訳(メタデータ) (2021-03-22T06:46:35Z) - 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) - Differentiable Quantum Architecture Search [15.045985536395479]
微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。
DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
論文 参考訳(メタデータ) (2020-10-16T18:00:03Z)
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。