論文の概要: Dynamical simulation via quantum machine learning with provable generalization

• arxiv url: http://arxiv.org/abs/2204.10269v1
• Date: Thu, 21 Apr 2022 17:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 14:51:06.153123
• Title: Dynamical simulation via quantum machine learning with provable generalization
• Title（参考訳）: 証明可能な一般化を伴う量子機械学習による動的シミュレーション
• Authors: Joe Gibbs, Zo\"e Holmes, Matthias C. Caro, Nicholas Ezzell, Hsin-Yuan Huang, Lukasz Cincio, Andrew T. Sornborger, and Patrick J. Coles
• Abstract要約: 本研究では,QML法を用いて量子力学を短期量子ハードウェア上でシミュレートするフレームワークを開発した。 このフレームワーク内でのアルゴリズムのトレーニングデータ要求を厳格に分析する。 我々は,IBMQ-BogotaのTrotterizationの20倍の時間をシミュレーションした。
• 参考スコア（独自算出の注目度）: 2.061594137938085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much attention has been paid to dynamical simulation and quantum machine learning (QML) independently as applications for quantum advantage, while the possibility of using QML to enhance dynamical simulations has not been thoroughly investigated. Here we develop a framework for using QML methods to simulate quantum dynamics on near-term quantum hardware. We use generalization bounds, which bound the error a machine learning model makes on unseen data, to rigorously analyze the training data requirements of an algorithm within this framework. This provides a guarantee that our algorithm is resource-efficient, both in terms of qubit and data requirements. Our numerics exhibit efficient scaling with problem size, and we simulate 20 times longer than Trotterization on IBMQ-Bogota.
• Abstract（参考訳）: 動的シミュレーションと量子機械学習 (qml) は独立して量子アドバンテージの応用として注目されているが、qmlを使って動的シミュレーションを強化する可能性は十分に検討されていない。 本稿では,量子ハードウェア上で量子力学をシミュレートするqml法を提案する。 我々は、機械学習モデルが未知のデータに対して行う誤差を制限した一般化境界を用いて、このフレームワーク内のアルゴリズムのトレーニングデータ要求を厳格に分析する。 これにより、我々のアルゴリズムは、キュービットとデータ要求の両方の観点から、リソース効率が保証される。 私たちの数値は問題サイズの効率的なスケーリングを示し、ibmq-bogotaのロータライズよりも20倍長いスケールをシミュレートします。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• 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)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Compact quantum algorithms for time-dependent differential equations [0.0]
  我々は、ユニタリの線形結合に基づくアイデアに基づいて、非ユニタリで非エルミート量子系をシミュレートする。 我々は,反復行列ベクトル乗算と行列逆演算を効率的に行うハイブリッド量子古典アルゴリズムを生成する。
  論文  参考訳（メタデータ） (2024-05-16T02:14:58Z)
• Quantum Tunneling: From Theory to Error-Mitigated Quantum Simulation [49.1574468325115]
  本研究では,量子トンネルシミュレーションの理論的背景とハードウェア対応回路の実装について述べる。 我々は、ハードウェアのアンダーユース化問題を解決するために、ZNEとREM(エラー軽減技術)と量子チップのマルチプログラミングを使用する。
  論文  参考訳（メタデータ） (2024-04-10T14:27:07Z)
• Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
  本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。 厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。 その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
  論文  参考訳（メタデータ） (2024-03-27T15:05:55Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、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。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• Scalable Quantum Computation of Highly Excited Eigenstates with Spectral Transforms [0.76146285961466]
  我々はHHLアルゴリズムを用いて、物理的ハミルトニアンの内部固有状態を変動的かつ標的的に生成する。 これは量子コンピュータ上の逆ハミルトニアンの期待値の効率的な計算によって実現される。 本稿では, フォールトトレラント, 短期量子コンピュータにおけるこの方式の実装について詳述する。
  論文  参考訳（メタデータ） (2023-02-13T19:01:02Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
  時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。 一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。 幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-01T19:06:00Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)

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。