Fugu-MT 論文翻訳(概要): Efficient Depth Selection for the Implementation of Noisy Quantum Approximate Optimization Algorithm

論文の概要: Efficient Depth Selection for the Implementation of Noisy Quantum Approximate Optimization Algorithm

arxiv url: http://arxiv.org/abs/2207.04263v1
Date: Sat, 9 Jul 2022 13:07:21 GMT
ステータス: 処理完了
システム内更新日: 2023-02-05 21:33:26.460707
Title: Efficient Depth Selection for the Implementation of Noisy Quantum Approximate Optimization Algorithm
Title（参考訳）: 雑音量子近似最適化アルゴリズムの実装のための効率的な深さ選択
Authors: Yu Pan, Yifan Tong, Shibei Xue, Guofeng Zhang
Abstract要約: 短期量子デバイスにおけるノイズは、量子近似最適化アルゴリズム(QAOA)の性能を必然的に制限するモデル選択アルゴリズムを用いて、正規化パラメータを数回繰り返して最適深度を同定する。数値実験により、このアルゴリズムは緩和と減音の下で最適な深さを効率よく見つけることができることを示した。
参考スコア（独自算出の注目度）: 2.7443146049647984
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Noise on near-term quantum devices will inevitably limit the performance of Quantum Approximate Optimization Algorithm (QAOA). One significant consequence is that the performance of QAOA may fail to monotonically improve with depth. In particular, optimal depth can be found at a certain point where the noise effects just outweigh the benefits brought by increasing the depth. In this work, we propose to use the model selection algorithm to identify the optimal depth with a few iterations of regularization parameters. Numerical experiments show that the algorithm can efficiently locate the optimal depth under relaxation and dephasing noises.
Abstract（参考訳）: 短期量子デバイスのノイズは、量子近似最適化アルゴリズム(QAOA)の性能を必然的に制限する。 1つの重大な結果として、QAOAの性能は深度で単調に改善しない可能性がある。特に、ノイズ効果が深度を増大させることによって生じる利点を上回る特定の点において最適な深さを求めることができる。本研究では,モデル選択アルゴリズムを用いて,正規化パラメータを数回繰り返して最適深度を特定することを提案する。数値実験により, このアルゴリズムは, 緩和・強調雑音下での最適深さを効率的に求めることができることがわかった。

関連論文リスト

MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合ディープラーニングフレームワークである。
論文参考訳（メタデータ） (2024-09-27T12:28:18Z)
Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
論文参考訳（メタデータ） (2024-06-12T16:58:41Z)
Improving Quantum Approximate Optimization by Noise-Directed Adaptive Remapping [3.47862118034022]
ノイズ指向リマッピング(Noss-Directed Remapping, NDAR)は、ある種のノイズを利用して二進最適化問題を解決するアルゴリズムである。我々は、グローバルなアトラクタ状態を特徴とするダイナミックスを備えたノイズの多い量子プロセッサへのアクセスを検討する。我々のアルゴリズムは、ノイズアトラクターを高品質な解に変換する方法で、コスト関数ハミルトニアンを反復的にゲージ変換することでノイズアトラクター状態をブートストラップする。
論文参考訳（メタデータ） (2024-04-01T18:28:57Z)
Multiscale Quantum Approximate Optimization Algorithm [0.0]
量子近似最適化アルゴリズム(QAOA)は、最適化問題の近似解を見つけるために設計された標準アルゴリズムの1つである。本稿では,QAOAの能力と実空間再正規化群変換を取り入れたQAOAの新バージョンを提案する。
論文参考訳（メタデータ） (2023-12-11T07:47:16Z)
Trainability Analysis of Quantum Optimization Algorithms from a Bayesian Lens [2.9356265132808024]
雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
論文参考訳（メタデータ） (2023-10-10T02:56:28Z)
QAOA Performance in Noisy Devices: The Effect of Classical Optimizers and Ansatz Depth [0.32985979395737786]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、Near-term Intermediate-Scale Quantum Computer (NISQ)のための変分量子アルゴリズムである。本稿では,古典的ベクトルに対する現実的な騒音の影響について検討する。その結果,Adam と AMSGrads はショットノイズの存在下で最高の性能を示した。
論文参考訳（メタデータ） (2023-07-19T17:22:44Z)
Automatic Depth Optimization for Quantum Approximate Optimization Algorithm [26.4589898848196]
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、制御パラメータを古典的に最適化したハイブリッドアルゴリズムである。本稿では,勾配降下に基づく自動アルゴリズムによる制御深度選択について検討する。提案アルゴリズムは,ランダム検索や経験則の代替として,適切な制御深度を選択するための効率的なツールとして利用できる。
論文参考訳（メタデータ） (2022-06-29T05:48:16Z)
Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文参考訳（メタデータ） (2020-10-01T18:14:11Z)
Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
論文参考訳（メタデータ） (2020-09-08T06:54:11Z)
Exploiting Higher Order Smoothness in Derivative-free Optimization and Continuous Bandits [99.70167985955352]
強凸関数のゼロ次最適化問題について検討する。予測勾配降下アルゴリズムのランダム化近似を考察する。その結果,0次アルゴリズムはサンプルの複雑性や問題パラメータの点でほぼ最適であることが示唆された。
論文参考訳（メタデータ） (2020-06-14T10:42:23Z)
Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文参考訳（メタデータ） (2020-06-11T17:43:19Z)

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。