論文の概要: Variational Quantum-Neural Hybrid Error Mitigation

• arxiv url: http://arxiv.org/abs/2112.10380v2
• Date: Fri, 25 Aug 2023 04:49:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 18:35:35.953902
• Title: Variational Quantum-Neural Hybrid Error Mitigation
• Title（参考訳）: 変分量子-ニューラルハイブリッド誤差低減
• Authors: Shi-Xin Zhang, Zhou-Quan Wan, Chang-Yu Hsieh, Hong Yao, Shengyu Zhang
• Abstract要約: 量子エラー軽減(QEM)は、量子コンピュータ上で信頼性の高い結果を得るために重要である。 量子-ニューラルハイブリッド固有解法 (VQNHE) アルゴリズムは, 本質的にはノイズ耐性であり, ユニークなQEM容量を持つことを示す。
• 参考スコア（独自算出の注目度）: 6.555128824546528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum error mitigation (QEM) is crucial for obtaining reliable results on quantum computers by suppressing quantum noise with moderate resources. It is a key factor for successful and practical quantum algorithm implementations in the noisy intermediate scale quantum (NISQ) era. Since quantum-classical hybrid algorithms can be executed with moderate and noisy quantum resources, combining QEM with quantum-classical hybrid schemes is one of the most promising directions toward practical quantum advantages. In this work, we show how the variational quantum-neural hybrid eigensolver (VQNHE) algorithm, which seamlessly combines the expressive power of a parameterized quantum circuit with a neural network, is inherently noise resilient with a unique QEM capacity, which is absent in vanilla variational quantum eigensolvers (VQE). We carefully analyze and elucidate the asymptotic scaling of this unique QEM capacity in VQNHE from both theoretical and experimental perspectives. Finally, we propose a variational basis transformation for the Hamiltonian to be measured under the VQNHE framework, yielding a powerful tri-optimization setup, dubbed as VQNHE++. VQNHE++ can further enhance the quantum-neural hybrid expressive power and error mitigation capacity.
• Abstract（参考訳）: 量子誤差緩和(QEM)は、中程度のリソースで量子ノイズを抑えることにより、量子コンピュータ上で信頼性の高い結果を得るために重要である。 これは、ノイズのある中間スケール量子(NISQ)時代に成功し、実用的な量子アルゴリズムの実装の鍵となる要素である。 量子古典ハイブリッドアルゴリズムは、適度でノイズの多い量子資源で実行できるため、QEMと量子古典ハイブリッドスキームを組み合わせることは、実用的な量子優位性に向けた最も有望な方向の1つである。 本稿では,パラメータ化された量子回路の表現力とニューラルネットワークをシームレスに結合した変分量子-ニューラルハイブリッド固有ソルバ(vqnhe)アルゴリズムと,バニラ変分量子固有ソルバ(vqe)には存在しないユニークなqem容量と本質的に雑音耐性を有することを示す。 VQNHEにおけるこのユニークなQEM容量の漸近的スケーリングを理論的・実験的両観点から慎重に分析し,解明する。 最後に、VQNHE フレームワークで測定されるハミルトニアンの変分基底変換を提案し、VQNHE++ と呼ばれる強力な三次最適化設定を生成する。 vqnhe++は、量子ニューラルハイブリッド表現能力とエラー緩和能力をさらに強化することができる。

関連論文リスト

• 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)
• Variational Quantum Eigensolvers with Quantum Gaussian Filters for solving ground-state problems in quantum many-body systems [2.5425769156210896]
  量子多体系における基底状態を近似する新しい量子アルゴリズムを提案する。 我々の手法は変分量子固有解法(VQE)と量子ガウスフィルタ(QGF)を統合する。 提案手法は,特に雑音条件下での収束速度と精度の向上を示す。
  論文  参考訳（メタデータ） (2024-01-24T14:01:52Z)
• 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 Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Error mitigation in variational quantum eigensolvers using tailored probabilistic machine learning [5.630204194930539]
  本稿では,量子計算におけるノイズを軽減するために,ガウス過程回帰(GPR)をアクティブラーニングフレームワーク内に導入する新しい手法を提案する。 我々は,IBMのオープンソース量子コンピューティングフレームワークであるQiskitを用いて,2サイトアンダーソン不純物モデルと8サイトハイゼンベルクモデルに対する提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-11-16T22:29:43Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Variational Quantum-Neural Hybrid Eigensolver [13.32712801349521]
  本稿では、ニューラルネットワークによる古典的後処理により、浅帯域量子アンサッツをさらに高めることができる変分量子-ニューラルハイブリッド固有解法(VQNHE)を提案する。 VQNHEは、量子スピンと分子の基底状態エネルギーのシミュレーションにおいて、VQEを一貫して著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-06-09T14:31:45Z)
• 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)
• 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)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。