論文の概要: Equivariant quantum circuits for learning on weighted graphs
- arxiv url: http://arxiv.org/abs/2205.06109v1
- Date: Thu, 12 May 2022 14:15:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 19:02:30.917564
- Title: Equivariant quantum circuits for learning on weighted graphs
- Title(参考訳): 重み付きグラフ学習のための等価量子回路
- Authors: Andrea Skolik, Michele Cattelan, Sheir Yarkoni, Thomas B\"ack, Vedran
Dunjko
- Abstract要約: 重要なグラフ対称性を尊重する重み付きグラフ上のタスクを学習するためのアンサッツを導入する。
私たちのアンザッツは、小さなインスタンス体制でも、他のすべてのものよりも優れています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational quantum algorithms are the leading candidate for near-term
advantage on noisy quantum hardware. When training a parametrized quantum
circuit to solve a specific task, the choice of ansatz is one of the most
important factors that determines the trainability and performance of the
algorithm. Problem-tailored ansatzes have become the standard for tasks in
optimization or quantum chemistry, and yield more efficient algorithms with
better performance than unstructured approaches. In quantum machine learning
(QML), however, the literature on ansatzes that are motivated by the training
data structure is scarce. Considering that it is widely known that unstructured
ansatzes can become untrainable with increasing system size and circuit depth,
it is of key importance to also study problem-tailored circuit architectures in
a QML context. In this work, we introduce an ansatz for learning tasks on
weighted graphs that respects an important graph symmetry, namely equivariance
under node permutations. We evaluate the performance of this ansatz on a
complex learning task on weighted graphs, where a ML model is used to implement
a heuristic for a combinatorial optimization problem. We analytically study the
expressivity of our ansatz at depth one, and numerically compare the
performance of our model on instances with up to 20 qubits to ansatzes where
the equivariance property is gradually broken. We show that our ansatz
outperforms all others even in the small-instance regime. Our results
strengthen the notion that symmetry-preserving ansatzes are a key to success in
QML and should be an active area of research in order to enable near-term
advantages in this field.
- Abstract(参考訳): 変分量子アルゴリズムは、雑音量子ハードウェアにおける短期的優位性の主要な候補である。
パラメータ化された量子回路をトレーニングして特定のタスクを解く場合、アルゴリズムのトレーニング可能性と性能を決定する最も重要な要素の1つである。
問題調整アンサーゼは最適化や量子化学のタスクの標準となり、非構造的アプローチよりも優れた性能を持つアルゴリズムを生み出している。
しかし、量子機械学習(qml)では、トレーニングデータ構造によって動機づけられたアンサtzeに関する文献は少ない。
システムサイズと回路深度を増大させることで非構造的アンサーゼがトレーニング不能になることが広く知られていることから、QMLコンテキストにおける問題調整回路アーキテクチャの研究も重要である。
本稿では,重み付きグラフのタスクを学習するためのアンサッツについて紹介する。
重み付きグラフ上の複素学習タスクにおけるこのアンサッツの性能を評価し,組合せ最適化問題に対するヒューリスティックを実装するためにmlモデルを用いた。
深さ1で ansatz の表現率を解析的に検討し,20 キュービットまでのインスタンスにおけるモデルの性能を,分散特性が徐々に破られる ansatzes と比較した。
当社のansatzは,小規模体制においても他国よりも優れています。
この結果から, 対称性保存アンサツェがQMLの成功の鍵であり, この分野での短期的優位性を実現するために研究の活発な領域であることが示唆された。
- 全文 参考訳へのリンク
関連論文リスト
- Quantum Extremal Learning [0.8937790536664091]
本稿では,関数出力を極大化する隠れ関数への入力を見つける過程である「極大学習のための量子アルゴリズム」を提案する。
量子エクストリームラーニング(quantum extremal Learning, QEL)と呼ばれるこのアルゴリズムは、データ入力と出力の関係をモデル化するために変分訓練されたパラメトリック量子回路で構成されている。
論文 参考訳(メタデータ) (2022-05-05T17:37:26Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。
これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。
本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文 参考訳(メタデータ) (2022-02-17T18:59:20Z) - Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise
Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。
オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。
本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:10:48Z) - Benchmarking Small-Scale Quantum Devices on Computing Graph Edit
Distance [52.77024349608834]
グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。
本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
論文 参考訳(メタデータ) (2021-11-19T12:35:26Z) - MQBench: Towards Reproducible and Deployable Model Quantization
Benchmark [53.12623958951738]
MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。
我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。
包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
論文 参考訳(メタデータ) (2021-11-05T23:38:44Z) - Quantum Embedding Search for Quantum Machine Learning [2.7612093695074456]
クエスト」と発音される新しい量子埋め込み探索アルゴリズム(QES)を導入する。
我々は、量子埋め込みの構造と有向多重グラフの表現との接続を確立し、明確に定義された探索空間を実現する。
本稿では,QESによる量子埋め込みアーキテクチャが手動設計より優れていることを実証的に示す,合成とアイリスデータセットに対する提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-05-25T11:50:57Z) - Quantum Algorithms for Data Representation and Analysis [68.754953879193]
機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。
これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。
その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
論文 参考訳(メタデータ) (2021-04-19T00:41:43Z) - Reinforcement learning for optimization of variational quantum circuit
architectures [2.624902795082451]
本稿では,アンスの空間を自律的に探索する強化学習アルゴリズムを提案する。
水素化リチウム(LiH)の基底状態エネルギーを推定する問題に対するアルゴリズムの性能について紹介する。
論文 参考訳(メタデータ) (2021-03-30T05:46:21Z) - A semi-agnostic ansatz with variable structure for quantum machine
learning [0.9449650062296824]
量子機械学習(QML)のためのアンサーゼを構築するための可変構造アプローチを提案する。
我々のアプローチはVAnsと呼ばれ、最適化中に量子ゲートを拡大および(厳密には)除去するために一連のルールを適用します。
我々は、凝縮物質および量子化学応用のための変分量子固有解法にVAnを用いる。
論文 参考訳(メタデータ) (2021-03-11T14:58:40Z) - Ansatz-Independent Variational Quantum Classifier [0.0]
可変量子分類器 (VQC) がよく知られたカーネル法に収まることを示す。
また、与えられたユニタリ演算子に対して効率的な量子回路を設計するための変分回路実現法(VCR)を提案する。
論文 参考訳(メタデータ) (2021-02-02T21:25:39Z)
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。