論文の概要: QuantumNAT: Quantum Noise-Aware Training with Noise Injection,
Quantization and Normalization
- arxiv url: http://arxiv.org/abs/2110.11331v4
- Date: Tue, 13 Jun 2023 19:56:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 04:32:15.907553
- Title: QuantumNAT: Quantum Noise-Aware Training with Noise Injection,
Quantization and Normalization
- Title（参考訳）: quantumnat: ノイズ注入,量子化,正規化を用いた量子ノイズアウェアトレーニング
- Authors: Hanrui Wang, Jiaqi Gu, Yongshan Ding, Zirui Li, Frederic T. Chong,
David Z. Pan, Song Han
- Abstract要約: 量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。
しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。
本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
- 参考スコア（独自算出の注目度）: 22.900530292063348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parameterized Quantum Circuits (PQC) are promising towards quantum advantage
on near-term quantum hardware. However, due to the large quantum noises
(errors), the performance of PQC models has a severe degradation on real
quantum devices. Take Quantum Neural Network (QNN) as an example, the accuracy
gap between noise-free simulation and noisy results on IBMQ-Yorktown for
MNIST-4 classification is over 60%. Existing noise mitigation methods are
general ones without leveraging unique characteristics of PQC; on the other
hand, existing PQC work does not consider noise effect. To this end, we present
QuantumNAT, a PQC-specific framework to perform noise-aware optimizations in
both training and inference stages to improve robustness. We experimentally
observe that the effect of quantum noise to PQC measurement outcome is a linear
map from noise-free outcome with a scaling and a shift factor. Motivated by
that, we propose post-measurement normalization to mitigate the feature
distribution differences between noise-free and noisy scenarios. Furthermore,
to improve the robustness against noise, we propose noise injection to the
training process by inserting quantum error gates to PQC according to realistic
noise models of quantum hardware. Finally, post-measurement quantization is
introduced to quantize the measurement outcomes to discrete values, achieving
the denoising effect. Extensive experiments on 8 classification tasks using 6
quantum devices demonstrate that QuantumNAT improves accuracy by up to 43%, and
achieves over 94% 2-class, 80% 4-class, and 34% 10-class classification
accuracy measured on real quantum computers. The code for construction and
noise-aware training of PQC is available in the TorchQuantum library.
- Abstract（参考訳）: パラメータ化量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。
しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。
量子ニューラルネットワーク(QNN)を例にとると、MNIST-4分類におけるノイズフリーシミュレーションとIBMQ-Yorktownのノイズ結果の精度ギャップは60%以上である。
既存のノイズ緩和法はPQCの特性を活かさない一般的な手法であるが、既存のPQCではノイズ効果を考慮していない。
そこで我々は,学習段階と推論段階の両方において雑音認識最適化を行い,ロバスト性を改善するためのpqc仕様のフレームワークであるquantumnatを提案する。
我々は,PQC測定結果に対する量子ノイズの影響を,スケーリングとシフト係数によるノイズフリー結果からの線形写像として実験的に観察した。
そこで本研究では,ノイズフリーシナリオとノイズフリーシナリオの特徴分布差を軽減するために,測定後の正規化を提案する。
さらに,ノイズに対するロバスト性を向上させるために,量子ハードウェアの現実的なノイズモデルに従ってpqcに量子エラーゲートを挿入することにより,学習プロセスへのノイズ注入を提案する。
最後に、測定結果を離散値に定量化するために測定後の量子化を導入し、復調効果を達成する。
6つの量子デバイスを用いた8つの分類タスクに関する広範な実験により、quantumnatは最大43%の精度を向上し、94%以上の2クラス、80%の4クラス、34%の10クラスの分類精度を実際の量子コンピュータで測定した。
PQCの構築とノイズアウェアトレーニングのコードは、TorchQuantumライブラリで利用可能である。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Diffusion-Inspired Quantum Noise Mitigation in Parameterized Quantum Circuits [10.073911279652918]
量子ノイズと拡散モデルの関係について検討する。
本稿では,PQCにおける量子ノイズを軽減するために,拡散に着想を得た新しい学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T19:35:38Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - 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) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - Noise-robust ground state energy estimates from deep quantum circuits [0.0]
量子アルゴリズムにおいて、基礎となるエネルギー推定が不整合ノイズを明示的に除去する方法を示す。
我々はIBM Quantumハードウェア上で量子磁性のモデルとしてQCMを実装した。
QCMはVQEが完全に失敗する極めて高いエラー堅牢性を維持している。
論文 参考訳（メタデータ） (2022-11-16T09:12:55Z) - Variational Quantum Pulse Learning [28.040754288931897]
本稿では,学習タスクに量子パルスを直接学習するための新しいパラダイムである変分量子パルス(VQP)を提案する。
VQPは、最適化フレームワークにおいて、パルスの振幅を引いて押すことで変動量子パルスを操作する。
我々は,NISQ(ノイズ中間量子)コンピュータにおけるノイズに対する頑健性を維持している。
論文 参考訳（メタデータ） (2022-03-31T17:58:13Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Simulating noisy variational quantum eigensolver with local noise models [4.581041382009666]
変分量子固有解法 (VQE) は, 近時雑音中規模量子コンピュータにおいて量子優位性を示すことを約束している。
VQEの中心的な問題はノイズ、特に物理ノイズが現実的な量子コンピュータに与える影響である。
本稿では,様々な局所雑音モデルを用いた数値シミュレーションにより,VQEアルゴリズムの雑音効果を系統的に検討する。
論文 参考訳（メタデータ） (2020-10-28T08:51:59Z) - 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。