論文の概要: Quantum Kernel Methods for Solving Differential Equations
- arxiv url: http://arxiv.org/abs/2203.08884v1
- Date: Wed, 16 Mar 2022 18:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 22:51:13.509486
- Title: Quantum Kernel Methods for Solving Differential Equations
- Title(参考訳): 微分方程式を解く量子カーネル法
- Authors: Annie E. Paine, Vincent E. Elfving, Oleksandr Kyriienko
- Abstract要約: 量子カーネル法を用いて微分方程式(DE)の解法を提案する。
量子モデルをカーネル関数の重み付け和として構成し、特徴写像を用いて変数を符号化し、モデル微分を表現する。
- 参考スコア(独自算出の注目度): 21.24186888129542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose several approaches for solving differential equations (DEs) with
quantum kernel methods. We compose quantum models as weighted sums of kernel
functions, where variables are encoded using feature maps and model derivatives
are represented using automatic differentiation of quantum circuits. While
previously quantum kernel methods primarily targeted classification tasks, here
we consider their applicability to regression tasks, based on available data
and differential constraints. We use two strategies to approach these problems.
First, we devise a mixed model regression with a trial solution represented by
kernel-based functions, which is trained to minimize a loss for specific
differential constraints or datasets. Second, we use support vector regression
that accounts for the structure of differential equations. The developed
methods are capable of solving both linear and nonlinear systems. Contrary to
prevailing hybrid variational approaches for parametrized quantum circuits, we
perform training of the weights of the model classically. Under certain
conditions this corresponds to a convex optimization problem, which can be
solved with provable convergence to global optimum of the model. The proposed
approaches also favor hardware implementations, as optimization only uses
evaluated Gram matrices, but require quadratic number of function evaluations.
We highlight trade-offs when comparing our methods to those based on
variational quantum circuits such as the recently proposed differentiable
quantum circuits (DQC) approach. The proposed methods offer potential quantum
enhancement through the rich kernel representations using the power of quantum
feature maps, and start the quest towards provably trainable quantum DE
solvers.
- Abstract(参考訳): 量子カーネル法を用いて微分方程式(DE)の解法を提案する。
量子モデルを核関数の重み付き和として構成し,変数を特徴写像を用いて符号化し,モデル微分を量子回路の自動微分を用いて表現する。
従来の量子カーネル法は主に分類タスクを対象としていたが、ここでは、利用可能なデータと差分制約に基づいて回帰タスクへの適用性を検討する。
私たちは2つの戦略を使ってこれらの問題に取り組みます。
まず、特定の差分制約やデータセットの損失を最小限に抑えるために、カーネルベースの関数で表される試行ソリューションによる混合モデル回帰を考案する。
第2に,微分方程式の構造を考慮した支持ベクトル回帰を用いる。
開発手法は線形系と非線形系の両方を解くことができる。
パラメトリズド量子回路のハイブリッド変分法とは対照的に,モデルの重みのトレーニングを古典的に行う。
ある条件下では、これは凸最適化問題に対応し、モデルの大域的最適性への証明可能な収束によって解くことができる。
最適化は評価されたグラム行列のみを使用するが、2次関数評価を必要とするため、ハードウェアの実装も好適である。
最近提案された微分可能量子回路(dqc)アプローチのような変分量子回路に基づく手法と比較する場合のトレードオフを強調する。
提案手法は、量子特徴写像のパワーを利用したリッチカーネル表現による潜在的な量子拡張を提供し、実現可能な量子デソルバへの探求を開始する。
関連論文リスト
- Nonlinear dynamics as a ground-state solution on quantum computers [39.58317527488534]
量子ビットレジスタにおける空間と時間の両方を符号化する変分量子アルゴリズム(VQA)を提案する。
時空符号化により、1つの基底状態計算から全時間進化を得ることができる。
論文 参考訳(メタデータ) (2024-03-25T14:06:18Z) - Boundary Treatment for Variational Quantum Simulations of Partial Differential Equations on Quantum Computers [1.6318838452579472]
本稿では偏微分方程式によって記述された初期境界値問題を解くための変分量子アルゴリズムを提案する。
このアプローチでは、現在のノイズの多い中間スケール量子時代の量子コンピュータに適した古典的/量子的ハードウェアを使用する。
論文 参考訳(メタデータ) (2024-02-28T18:19:33Z) - A two-circuit approach to reducing quantum resources for the quantum lattice Boltzmann method [41.66129197681683]
CFD問題を解決するための現在の量子アルゴリズムは、単一の量子回路と、場合によっては格子ベースの方法を用いる。
量子格子ボルツマン法(QLBM)を用いた新しい多重回路アルゴリズムを提案する。
この問題は2次元ナビエ・ストークス方程式の流動関数-渦性定式化として鋳造され、2次元蓋駆動キャビティフローで検証および試験された。
論文 参考訳(メタデータ) (2024-01-20T15:32:01Z) - Hybrid quantum-classical and quantum-inspired classical algorithms for
solving banded circulant linear systems [0.8192907805418583]
帯状循環系に対する量子状態の組み合わせの凸最適化に基づく効率的なアルゴリズムを提案する。
帯状循環行列を巡回置換に分解することにより, 量子状態の組み合わせによる近似解を$K$とする。
我々は,従来のシミュレーションと実際のIBM量子コンピュータ実装を用いて本手法を検証し,熱伝達などの物理問題への適用性を示した。
論文 参考訳(メタデータ) (2023-09-20T16:27:16Z) - Physics-Informed Quantum Machine Learning: Solving nonlinear
differential equations in latent spaces without costly grid evaluations [21.24186888129542]
非線形および多次元微分方程式を解く物理インフォームド量子アルゴリズムを提案する。
DE項の表現である状態間の重なりを測定することにより、格子点上の独立な逐次関数評価を必要としない損失を構築する。
損失が変動的に訓練されると、我々のアプローチは微分可能な量子回路プロトコルと関連付けられる。
論文 参考訳(メタデータ) (2023-08-03T15:38:31Z) - Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。
この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
論文 参考訳(メタデータ) (2023-02-09T14:05:18Z) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳(メタデータ) (2023-01-23T11:00:29Z) - Automatic and effective discovery of quantum kernels [43.702574335089736]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,異なるアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - Solving Differential Equations via Continuous-Variable Quantum Computers [0.0]
連続次元(CV)量子コンピュータが古典的な微分方程式を解く方法を探り、その自然能力を利用してクォーモッド内の実数を表現する。
PennyLane/Strawberry Fieldsフレームワークを用いたシミュレーションとパラメータ最適化により,線形および非線形のODEが良好であることを示す。
論文 参考訳(メタデータ) (2020-12-22T18:06:12Z) - Solving nonlinear differential equations with differentiable quantum
circuits [21.24186888129542]
非線形微分方程式系を解く量子アルゴリズムを提案する。
我々は、関数微分を微分可能な量子回路として解析形式で表現するために、自動微分を用いる。
本稿では,高次元特徴空間における微分方程式を解くためのスペクトル法の実装方法について述べる。
論文 参考訳(メタデータ) (2020-11-20T13:21:11Z) - Scalable Gradients for Stochastic Differential Equations [40.70998833051251]
随伴感度法は 通常の微分方程式の勾配を
我々はこの手法を微分方程式に一般化し、時間効率と定数メモリ計算を可能にする。
提案手法は,ネットワークによって定義されたニューラルダイナミクスに適合し,50次元モーションキャプチャーデータセット上での競合性能を実現する。
論文 参考訳(メタデータ) (2020-01-05T23:05:55Z)
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。