論文の概要: A Quantum Algorithm for Network Reliability
- arxiv url: http://arxiv.org/abs/2203.10201v1
- Date: Sat, 19 Mar 2022 00:26:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 08:47:22.647854
- Title: A Quantum Algorithm for Network Reliability
- Title（参考訳）: ネットワーク信頼性のための量子アルゴリズム
- Authors: Stefan Pabst and Yunseong Nam
- Abstract要約: 本稿では、R$を演算する量子アルゴリズムの回路レベルを明示的に実装する。
我々のアルゴリズムでは、$O(EV/epsilon)$ gate 演算と$O(E)$bitsが必要です。
- 参考スコア（独自算出の注目度）: 0.033842793760651545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building a network that is resilient to a component failure is vital. Our
access to electricity and telecommunications or the internet of things all
hinge on an uninterrupted service provided by a robust network. Calculating the
network reliability $R$ is $\sharp$P-complete and intractable to calculate
exactly for medium and large networks. Here, we present an explicit,
circuit-level implementation of a quantum algorithm that computes $R$. Our
algorithm requires $O(EV/\epsilon)$ gate operations and $O(E)$ qubits, where
$V$ and $E$ are the number of nodes and edges in the graph and $\epsilon$ is
the uncertainty in the reliability estimation. This constitutes a significant
polynomial speedup over the best classical approaches currently known. We
further provide quantum gate counts, relevant for both pre-fault-tolerant and
fault-tolerant regimes, sufficient to compute $R$.
- Abstract（参考訳）: コンポーネント障害に対してレジリエントなネットワークの構築は不可欠です。
電気と電気通信、あるいは物のインターネットへのアクセスはすべて、堅牢なネットワークによって提供される未中断のサービスにヒンジされます。
ネットワーク信頼性を$R$で計算すると、$\sharp$P完全で、中規模および大規模ネットワークに対して正確に計算できる。
ここでは、$r$ を計算する量子アルゴリズムの明示的な回路レベルの実装を示す。
我々のアルゴリズムでは、$O(EV/\epsilon)$ gate 演算と$O(E)$ qubitsが必要であり、$V$と$E$はグラフ内のノード数とエッジ数であり、$\epsilon$は信頼性推定の不確実性である。
これは、現在知られている最良の古典的アプローチに対する重要な多項式スピードアップを構成する。
さらに、プリフォールトトレラントとフォールトトレラントの両方に関係のある量子ゲート数を提供し、$R$を計算するのに十分である。
関連論文リスト
- Rank Is All You Need: Estimating the Trace of Powers of Density Matrices [1.5133368155322298]
同一の$k$密度行列のパワーのトレースを推定することは、多くのアプリケーションにとって重要なサブルーチンである。
The Newton-Girard method, we developed a algorithm that only $mathcalO(r)$ qubits and $mathcalO(r)$ multi-qubit gates。
論文 参考訳（メタデータ） (2024-08-01T06:23:52Z) - High-precision and low-depth eigenstate property estimation: theory and resource estimation [2.6811507121199325]
量子多体系の固有状態特性を推定することは、古典的および量子コンピューティングの双方にとって、長年にわたる、挑戦的な問題である。
本稿では,固有状態に対する固有値と観測可能な期待値を推定するランダムサンプリングアルゴリズムのフルスタック設計を提案する。
論文 参考訳（メタデータ） (2024-06-06T17:54:26Z) - Simulation of IBM's kicked Ising experiment with Projected Entangled
Pair Operator [71.10376783074766]
我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。
提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。
我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
論文 参考訳（メタデータ） (2023-08-06T10:24:23Z) - Training quantum neural networks using the Quantum Information
Bottleneck method [0.6768558752130311]
ネットワークを介して伝達される特性に関する関連情報を最大化するために、量子ニューラルネットワークを訓練する具体的な方法を提案する。
これは、入力と出力が完全に量子である問題に対してオートエンコーダを訓練する際に最適化するために、運用的に確立された量を与えるためである。
論文 参考訳（メタデータ） (2022-12-05T21:11:32Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳（メタデータ） (2022-08-08T03:13:24Z) - OMPQ: Orthogonal Mixed Precision Quantization [64.59700856607017]
混合精度量子化は、ハードウェアの多重ビット幅演算を利用して、ネットワーク量子化の全ポテンシャルを解き放つ。
本稿では、整数プログラミングの損失と高い相関関係にあるネットワーク性の概念であるプロキシメトリックを最適化することを提案する。
このアプローチは、量子化精度にほとんど妥協することなく、検索時間と必要なデータ量を桁違いに削減する。
論文 参考訳（メタデータ） (2021-09-16T10:59:33Z) - Distributed Saddle-Point Problems Under Similarity [173.19083235638104]
与えられたサブ最適度$epsilon0$は、$Omegabigのマスター/ワーカーネットワークで達成されることを示す。
次に,ネットワークの下位の型(ログオーバまで)に適合するアルゴリズムを提案する。
頑健なロジスティック回帰問題に対して提案アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2021-07-22T14:25:16Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Quantum Differentially Private Sparse Regression Learning [132.1981461292324]
我々は、スパース回帰問題を解くために、効率的な量子微分プライベート(QDP)ラッソ推定器を考案する。
最後に、QDP Lasso はプライバシー保証付きで $tildeO(N-2/3)$ に近い最適ユーティリティを実現していることを示す。
論文 参考訳（メタデータ） (2020-07-23T10:50:42Z)
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。