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

• 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)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM'S Quantum Computers [8.50998018964906]
  現在の量子コンピュータには固有のノイズがあり、量子コンピュータ上で実行される量子ソフトウェアの出力に誤差をもたらす。 本稿では、量子ソフトウェア出力におけるノイズエラーを軽減するために、Q-LEARと呼ばれる実用的な機械学習手法を提案する。 その結果、Q-LEARはベースラインと比較して、実量子コンピュータとシミュレータの両方で平均25%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2024-04-19T13:51:40Z)
• 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 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)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Machine Learning For Classical Data [0.0]
  量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。 特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
  論文  参考訳（メタデータ） (2021-05-08T12:11:44Z)
• 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)

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。