論文の概要: Hard instance learning for quantum adiabatic prime factorization

• arxiv url: http://arxiv.org/abs/2110.04782v1
• Date: Sun, 10 Oct 2021 12:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 16:45:42.961458
• Title: Hard instance learning for quantum adiabatic prime factorization
• Title（参考訳）: 量子断熱素因数分解のためのハードインスタンス学習
• Authors: Jian Lin, Zhengfeng Zhang, Junping Zhang, Xiaopeng Li
• Abstract要約: 素因数分解は、Rivest-Shamir-Adleman(RSA)暗号の基礎である。 プログラマブル量子デバイスでは、素因数分解を解くための妥当なアプローチとして、断熱量子コンピューティングが提案されている。
• 参考スコア（独自算出の注目度）: 21.615348663035846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prime factorization is a difficult problem with classical computing, whose exponential hardness is the foundation of Rivest-Shamir-Adleman (RSA) cryptography. With programmable quantum devices, adiabatic quantum computing has been proposed as a plausible approach to solve prime factorization, having promising advantage over classical computing. Here, we find there are certain hard instances that are consistently intractable for both classical simulated annealing and un-configured adiabatic quantum computing (AQC). Aiming at an automated architecture for optimal configuration of quantum adiabatic factorization, we apply a deep reinforcement learning (RL) method to configure the AQC algorithm. By setting the success probability of the worst-case problem instances as the reward to RL, we show the AQC performance on the hard instances is dramatically improved by RL configuration. The success probability also becomes more evenly distributed over different problem instances, meaning the configured AQC is more stable as compared to the un-configured case. Through a technique of transfer learning, we find prominent evidence that the framework of AQC configuration is scalable -- the configured AQC as trained on five qubits remains working efficiently on nine qubits with a minimal amount of additional training cost.
• Abstract（参考訳）: 素因数分解は古典計算において難しい問題であり、指数的硬度はリベスト・シャミール・アドルマン暗号の基礎となる。 プログラマブル量子デバイスでは、古典的計算よりも有望な利点を持つ素因数分解を解くための有効なアプローチとして、断熱量子コンピューティングが提案されている。 ここでは、古典的アニーリングと非構成のアダイバティック量子コンピューティング(AQC)の両方に対して、一貫して難解なインスタンスが存在する。 量子断熱分解の最適構成のためのアーキテクチャの自動化を目的として,AQCアルゴリズムの構成に深部強化学習(RL)法を適用した。 最悪の問題インスタンスの成功確率をRLの報奨として設定することにより、ハードインスタンスのAQC性能がRL設定により劇的に改善されることを示す。 成功確率は、異なる問題インスタンスに均等に分散されるため、構成されたAQCは、設定されていないケースよりも安定である。 5つのキュービットでトレーニングされた構成されたaqcは、9つのキュービットで効率的に動作し、追加のトレーニングコストは最小限である。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Single entanglement connection architecture between multi-layer bipartite Hardware Efficient Ansatz [18.876952671920133]
  本稿では,二部構成のハードウェア効率向上のための単一絡み合い接続アーキテクチャ (SECA) を提案する。 本結果から,SECAの計算性能は,一般の完全絡み合い接続アーキテクチャ(FECA)よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-23T13:36:30Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Asynchronous training of quantum reinforcement learning [0.8702432681310399]
  変分量子回路(VQC)による量子RLエージェント構築の先導的手法 本稿では,QRLエージェントを非同期トレーニングすることで,この問題に対処する。 検討したタスクにおいて,QRLエージェントの非同期トレーニングが性能に匹敵するか,優れているかを数値シミュレーションで示す。
  論文  参考訳（メタデータ） (2023-01-12T15:54:44Z)
• 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)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)
• Quantum Architecture Search via Continual Reinforcement Learning [0.0]
  本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。 本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
  論文  参考訳（メタデータ） (2021-12-10T19:07:56Z)
• Reducing Unitary Coupled Cluster Circuit Depth by Classical Stochastic Amplitude Pre-Screening [0.0]
  Unitary Coupled Cluster (UCC)アプローチは、量子化学計算を実行するために量子ハードウェアを利用するための魅力的な方法である。 本稿では,従来のUCC前処理ステップを用いてUCCアンサッツの重要な励起を判定する,古典量子と古典量子の併用手法を提案する。
  論文  参考訳（メタデータ） (2021-08-24T18:34:14Z)
• 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)

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。