論文の概要: Active Learning of Quantum System Hamiltonians yields Query Advantage
- arxiv url: http://arxiv.org/abs/2112.14553v1
- Date: Wed, 29 Dec 2021 13:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:23:02.128687
- Title: Active Learning of Quantum System Hamiltonians yields Query Advantage
- Title（参考訳）: 量子系ハミルトニアンのアクティブラーニングはクエリの利点をもたらす
- Authors: Arkopal Dutt, Edwin Pednault, Chai Wah Wu, Sarah Sheldon, John Smolin,
Lev Bishop, Isaac L. Chuang
- Abstract要約: ハミルトン学習は量子システムの同定、校正、量子コンピュータの動作成功において重要な手順である。
ハミルトン学習の標準的な技術は、標準的な量子限界のため、クエリを慎重に設計し、学習エラーを$epsilon$を達成するために$O(epsilon-2)$クエリを必要とする。
本稿では,最初のトレーニング例と,量子システムを対話的にクエリして新しいトレーニングデータを生成する機能を備えたアクティブラーナーを紹介する。
- 参考スコア（独自算出の注目度）: 3.07869141026886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hamiltonian learning is an important procedure in quantum system
identification, calibration, and successful operation of quantum computers.
Through queries to the quantum system, this procedure seeks to obtain the
parameters of a given Hamiltonian model and description of noise sources.
Standard techniques for Hamiltonian learning require careful design of queries
and $O(\epsilon^{-2})$ queries in achieving learning error $\epsilon$ due to
the standard quantum limit. With the goal of efficiently and accurately
estimating the Hamiltonian parameters within learning error $\epsilon$ through
minimal queries, we introduce an active learner that is given an initial set of
training examples and the ability to interactively query the quantum system to
generate new training data. We formally specify and experimentally assess the
performance of this Hamiltonian active learning (HAL) algorithm for learning
the six parameters of a two-qubit cross-resonance Hamiltonian on four different
superconducting IBM Quantum devices. Compared with standard techniques for the
same problem and a specified learning error, HAL achieves up to a $99.8\%$
reduction in queries required, and a $99.1\%$ reduction over the comparable
non-adaptive learning algorithm. Moreover, with access to prior information on
a subset of Hamiltonian parameters and given the ability to select queries with
linearly (or exponentially) longer system interaction times during learning,
HAL can exceed the standard quantum limit and achieve Heisenberg (or
super-Heisenberg) limited convergence rates during learning.
- Abstract（参考訳）: ハミルトン学習は量子システムの同定、校正、量子コンピュータの動作成功において重要な手順である。
量子システムへの問い合わせを通じて、この手順は与えられたハミルトニアンのモデルのパラメータとノイズ源の記述を求める。
ハミルトン学習の標準的な手法は、標準量子限界による学習誤差$\epsilon$を達成するために、クエリと$o(\epsilon^{-2})$クエリを注意深く設計する必要がある。
学習誤差である$\epsilon$を最小クエリで効率的に正確に推定することを目的として,学習例の最初のセットと,量子システムをインタラクティブにクエリし,新たなトレーニングデータを生成する能力を備えたアクティブラーナを提案する。
我々は,4種類の超伝導IBM量子デバイス上で2ビット交叉共振ハミルトンの6つのパラメータを学習するために,このハミルトン能動学習(HAL)アルゴリズムの性能を正式に規定し,実験的に評価した。
同じ問題と特定の学習誤差の標準的なテクニックと比較して、HALは要求されるクエリの99.8\%の削減と、同等の非適応学習アルゴリズムに対する99.1\%の削減を実現している。
さらに、ハミルトンパラメータのサブセットに関する事前情報にアクセスし、学習中に線形(または指数関数的に)長いシステム相互作用時間でクエリを選択する能力を与えると、HALは標準量子限界を超え、学習中にハイゼンベルク(またはスーパーハイゼンベルク)制限収束率を達成することができる。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Benchmarking Variational Quantum Eigensolvers for Entanglement Detection in Many-Body Hamiltonian Ground States [37.69303106863453]
変分量子アルゴリズム(VQA)は近年、量子優位を得る約束として登場している。
我々は、変分量子固有解法(VQEs)と呼ばれる特定の種類のVQAを用いて、絡み合った観測と絡み合った基底状態検出においてそれらをベンチマークする。
ハミルトニアン相互作用にインスパイアされた構造を持つ量子回路は、問題に依存しない回路よりもコスト関数推定のより良い結果を示した。
論文 参考訳（メタデータ） (2024-07-05T12:06:40Z) - Hybrid Quantum-Classical Scheduling for Accelerating Neural Network Training with Newton's Gradient Descent [37.59299233291882]
本稿では,ニュートンのGDを用いたニューラルネットワークトレーニングの高速化を目的とした,ハイブリッド量子古典スケジューラQ-Newtonを提案する。
Q-Newtonは量子と古典的な線形解法を協調する合理化スケジューリングモジュールを使用している。
評価の結果,Q-Newtonは一般的な量子機械と比較してトレーニング時間を大幅に短縮できる可能性が示された。
論文 参考訳（メタデータ） (2024-04-30T23:55:03Z) - Truncation technique for variational quantum eigensolver for Molecular
Hamiltonians [0.0]
変分量子固有解法(VQE)はノイズ量子デバイスのための最も有望な量子アルゴリズムの1つである。
そこで本研究では, トランケートされたハミルトニアンを用いて, 最適化手順を開始する物理直感的なトランケーション手法を提案する。
この戦略により、量子コンピュータ上でのハミルトニアンの期待値に対する必要な評価回数を減らすことができる。
論文 参考訳（メタデータ） (2024-02-02T18:45:12Z) - Variational Denoising for Variational Quantum Eigensolver [0.28675177318965045]
変分量子固有解法 (VQE) は、実用的な化学問題に量子的優位性を与える可能性を持つハイブリッドアルゴリズムである。
VQEは、特にノイズの多い量子デバイス上で動作する場合、タスク固有の設計とマシン固有のアーキテクチャの課題に直面します。
本稿では,VQEの解法を改善するために,パラメータ化量子ニューラルネットワークを用いた教師なし学習手法である変分分解を提案する。
論文 参考訳（メタデータ） (2023-04-02T14:56:15Z) - Quantum variational learning for entanglement witnessing [0.0]
この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。
我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。
我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
論文 参考訳（メタデータ） (2022-05-20T20:14:28Z) - An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。
この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
論文 参考訳（メタデータ） (2022-05-11T12:10:52Z) - Robustly learning the Hamiltonian dynamics of a superconducting quantum processor [0.5564835829075486]
超伝導量子ビットアナログ量子シミュレータにおけるボソニック励起のフリーハミルトニアンパラメータを強く推定する。
この結果は、動的量子シミュレーションの正確な実装を構成する。
論文 参考訳（メタデータ） (2021-08-18T18:01:01Z) - A Hybrid Quantum-Classical Hamiltonian Learning Algorithm [6.90132007891849]
ハミルトン学習は、量子デバイスと量子シミュレータの認定に不可欠である。
本研究では,ハミルトニアン作用素の係数を求めるために,ハイブリッド量子古典ハミルトン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-01T15:15:58Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z)
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。