論文の概要: Programming Quantum Hardware via Levenberg Marquardt Machine Learning
- arxiv url: http://arxiv.org/abs/2204.07011v2
- Date: Thu, 1 Dec 2022 22:18:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 00:07:34.289463
- Title: Programming Quantum Hardware via Levenberg Marquardt Machine Learning
- Title(参考訳): Levenberg Marquardt Machine Learningによる量子ハードウェアのプログラミング
- Authors: James E. Steck, Nathan L. Thompson, Elizabeth C. Behrman
- Abstract要約: 機械学習は、量子コンピュータを非論理的にプログラムする体系的な方法として使用できる。
我々は、我々の機械学習アプローチがノイズとデコヒーレンスの両方に対して堅牢であることを示した。
この結果、IBMハードウェアへの移植に成功し、強力なハイブリッド強化学習技術を用いてトレーニングされた。
- 参考スコア(独自算出の注目度): 2.127049691404299
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Significant challenges remain with the development of macroscopic quantum
computing, hardware problems of noise, decoherence, and scaling, software
problems of error correction, and, most important, algorithm construction.
Finding truly quantum algorithms is quite difficult, and many quantum
algorithms, like Shor prime factoring or phase estimation, require extremely
long circuit depth for any practical application, necessitating error
correction. Machine learning can be used as a systematic method to
nonalgorithmically program quantum computers. Quantum machine learning enables
us to perform computations without breaking down an algorithm into its gate
building blocks, eliminating that difficult step and potentially reducing
unnecessary complexity. In addition, we have shown that our machine learning
approach is robust to both noise and to decoherence, which is ideal for running
on inherently noisy NISQ devices which are limited in the number of qubits
available for error correction. We demonstrated this using a fundamentally non
classical calculation, experimentally estimating the entanglement of an unknown
quantum state. Results from this have been successfully ported to the IBM
hardware and trained using a powerful hybrid reinforcement learning technique
which is a modified Levenberg Marquardt LM method. The LM method is ideally
suited to quantum machine learning as it only requires knowledge of the final
measured output of the quantum computation, not intermediate quantum states
which are generally not accessible. Since it processes all the learning data
simultaneously, it also requires significantly fewer hits on the quantum
hardware. Machine learning is demonstrated with results from simulations and
runs on the IBM Qiskit hardware interface.
- Abstract(参考訳): 重要な課題は、マクロ量子コンピューティングの開発、ノイズ、デコヒーレンス、スケーリングのハードウェア問題、エラー修正のソフトウェア問題、そして最も重要なアルゴリズム構築である。
真の量子アルゴリズムを見つけることは極めて困難であり、Shor素因数分解や位相推定のような多くの量子アルゴリズムは、実際の応用において極めて長い回路深さを必要とし、誤り訂正を必要とする。
機械学習は、量子コンピュータを非論理的にプログラムする体系的な方法として使用できる。
量子機械学習により、アルゴリズムをゲートビルディングブロックに分割することなく計算を実行でき、その困難なステップを排除し、不要な複雑さを軽減できます。
さらに,我々の機械学習手法はノイズとデコヒーレンスの両方に対して堅牢であり,誤差訂正に利用可能な量子ビット数に制限のあるノイズの多いNISQデバイス上での動作に最適であることを示した。
基礎的に非古典的な計算を用いてこれを実証し、未知の量子状態の絡み合いを実験的に推定した。
この結果、IBMハードウェアへの移植に成功し、Levenberg Marquardt LM法を改良した強力なハイブリッド強化学習技術を用いて訓練された。
LM法は、一般にアクセスできない中間量子状態ではなく、量子計算の最終測定結果の知識のみを必要とするため、量子機械学習に理想的に適している。
すべての学習データを同時に処理するため、量子ハードウェアのヒットも大幅に少なくなります。
機械学習はシミュレーションの結果で実証され、IBM Qiskitハードウェアインターフェイス上で動作する。
関連論文リスト
- 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-Assisted Simulation: A Framework for Designing Machine Learning
Models in the Quantum Computing Domain [0.0]
量子コンピューティングの歴史を探求し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。
機械学習と量子機械学習の両方を用いて,データセット上でシミュレーションを行った。
論文 参考訳(メタデータ) (2023-11-17T07:33:42Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳(メタデータ) (2023-10-04T17:53:55Z) - Machine Learning for Practical Quantum Error Mitigation [0.0]
量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。
本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-09-29T16:17:12Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳(メタデータ) (2023-01-04T23:37:45Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳(メタデータ) (2022-09-22T21:54:28Z) - Demonstrating robust simulation of driven-dissipative problems on
near-term quantum computers [53.20999552522241]
量子コンピュータは物理学と化学における量子力学系のシミュレーションに革命をもたらす。
現在の量子コンピュータは、訂正されていないノイズ、ゲートエラー、デコヒーレンスのためにアルゴリズムを不完全に実行している。
ここでは、量子力学における最も難しい問題の1つとして、駆動散逸多体問題の解法が本質的にエラーに対して堅牢であることを示す。
論文 参考訳(メタデータ) (2021-08-02T21:36:37Z) - A non-algorithmic approach to "programming" quantum computers via
machine learning [0.0]
機械学習はアルゴリズムを構築するための体系的な手法、すなわちアルゴリズムを非アルゴリズム的に「プログラム」量子コンピュータに利用できることを示す。
量子状態の絡み合いを実験的に推定する、基本的な非古典的な計算を用いてこれを実証する。
この結果、IBMハードウェアへの移植に成功し、ハイブリッド強化学習法を用いて訓練された。
論文 参考訳(メタデータ) (2020-07-16T13:36:21Z) - QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to
Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。
本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。
従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
論文 参考訳(メタデータ) (2020-02-22T04:14:32Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳(メタデータ) (2020-01-28T17:35:32Z)
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。