論文の概要: Quantum Architecture Search via Continual Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2112.05779v1
• Date: Fri, 10 Dec 2021 19:07:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 16:26:33.195196
• Title: Quantum Architecture Search via Continual Reinforcement Learning
• Title（参考訳）: 連続強化学習による量子アーキテクチャ探索
• Authors: Esther Ye, Samuel Yen-Chi Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing has promised significant improvement in solving difficult computational tasks over classical computers. Designing quantum circuits for practical use, however, is not a trivial objective and requires expert-level knowledge. To aid this endeavor, this paper proposes a machine learning-based method to construct quantum circuit architectures. Previous works have demonstrated that classical deep reinforcement learning (DRL) algorithms can successfully construct quantum circuit architectures without encoded physics knowledge. However, these DRL-based works are not generalizable to settings with changing device noises, thus requiring considerable amounts of training resources to keep the RL models up-to-date. With this in mind, we incorporated continual learning to enhance the performance of our algorithm. In this paper, we present the Probabilistic Policy Reuse with deep Q-learning (PPR-DQL) framework to tackle this circuit design challenge. By conducting numerical simulations over various noise patterns, we demonstrate that the RL agent with PPR was able to find the quantum gate sequence to generate the two-qubit Bell state faster than the agent that was trained from scratch. The proposed framework is general and can be applied to other quantum gate synthesis or control problems -- including the automatic calibration of quantum devices.
• Abstract（参考訳）: 量子コンピューティングは、古典的なコンピュータ上で難しい計算タスクを解決するための大幅な改善を約束している。 しかし、実用のために量子回路を設計することは自明な目的ではなく、専門家レベルの知識を必要とする。 そこで本稿では,量子回路アーキテクチャ構築のための機械学習に基づく手法を提案する。 従来の研究は、古典的な深部強化学習(DRL)アルゴリズムが、物理知識を符号化せずに量子回路アーキテクチャを構築できることを示した。 しかし、これらのDRLベースの作品は、デバイスノイズを変化させる設定には一般化できないため、RLモデルを最新に保つためにかなりの量のトレーニングリソースが必要になる。 このことを念頭に、我々はアルゴリズムの性能を高めるために連続学習を取り入れた。 本稿では,この回路設計課題に取り組むために,PPR-DQL(Deep Q-learning)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。 様々なノイズパターンを数値シミュレーションすることにより,pprを用いたrlエージェントが2量子ビットベル状態をスクラッチから学習したエージェントよりも高速に生成する量子ゲートシーケンスを探索できることを実証した。 提案されたフレームワークは一般的なもので、量子デバイスの自動校正を含む他の量子ゲート合成や制御問題に適用することができる。

関連論文リスト

• From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
  強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• 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)
• Differentiable Quantum Architecture Search in Asynchronous Quantum Reinforcement Learning [3.6881738506505988]
  トレーニング可能な回路パラメータと構造重み付けを可能にするために、微分可能な量子アーキテクチャ探索(DiffQAS)を提案する。 提案したDiffQAS-QRL手法は,手作業による回路アーキテクチャに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2024-07-25T17:11:00Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• 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 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)
• Decoding surface codes with deep reinforcement learning and probabilistic policy reuse [0.5999777817331317]
  現在の量子ハードウェアは、ノイズのある中間スケール量子コンピュータ(NISQ)としても知られており、いまだに忠実に計算を行うことができない。 近年の機械学習(ML)技術,特に強化学習(RL)手法がデコード問題に応用されている。 本稿では,これらの復号化課題に対処する継続的強化学習手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T17:24:32Z)
• 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)
• Improving readout in quantum simulations with repetition codes [0.0]
  繰り返し符号をスケーラブルなスキームとして使用し、量子化学や物理学に関心のある問題に対するより正確な解決策を提供する可能性を秘めている。 提案手法を複数のIBM量子デバイスで実証し, 簡易な理論ノイズモデルを用いて実験結果を検証した。
  論文  参考訳（メタデータ） (2021-05-27T18:01:05Z)
• Quantum Architecture Search via Deep Reinforcement Learning [0.0]
  できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
  論文  参考訳（メタデータ） (2021-04-15T18:53:26Z)
• Electronic structure with direct diagonalization on a D-Wave quantum annealer [62.997667081978825]
  本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。 そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
  論文  参考訳（メタデータ） (2020-09-02T22:46:47Z)

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。