論文の概要: Fast gradient estimation for variational quantum algorithms
- arxiv url: http://arxiv.org/abs/2210.06484v1
- Date: Wed, 12 Oct 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-22 19:24:08.665470
- Title: Fast gradient estimation for variational quantum algorithms
- Title（参考訳）: 変分量子アルゴリズムの高速勾配推定
- Authors: Lennart Bittel, Jens Watty, Martin Kliesch
- Abstract要約: 測定課題を軽減するために,新しい勾配推定法を提案する。
ベイズフレームワーク内では、回路に関する事前情報を用いて推定戦略を求める。
本手法は従来の勾配推定法よりも大幅に優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.6445605125467572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many optimization methods for training variational quantum algorithms are
based on estimating gradients of the cost function. Due to the statistical
nature of quantum measurements, this estimation requires many circuit
evaluations, which is a crucial bottleneck of the whole approach. We propose a
new gradient estimation method to mitigate this measurement challenge and
reduce the required measurement rounds. Within a Bayesian framework and based
on the generalized parameter shift rule, we use prior information about the
circuit to find an estimation strategy that minimizes expected statistical and
systematic errors simultaneously. We demonstrate that this approach can
significantly outperform traditional gradient estimation methods, reducing the
required measurement rounds by up to an order of magnitude for a common QAOA
setup. Our analysis also shows that an estimation via finite differences can
outperform the parameter shift rule in terms of gradient accuracy for small and
moderate measurement budgets.
- Abstract（参考訳）: 変分量子アルゴリズムを訓練するための多くの最適化手法は、コスト関数の勾配の推定に基づいている。
量子測定の統計的性質のため、この推定には多くの回路評価が必要であり、これはアプローチ全体の重要なボトルネックである。
本稿では,この測定課題を緩和し,必要な測定ラウンドを削減するための新しい勾配推定法を提案する。
ベイズフレームワーク内および一般化されたパラメータシフト規則に基づいて、回路に関する事前情報を用いて、期待される統計的および系統的エラーを同時に最小化する推定戦略を求める。
提案手法は従来の勾配推定法を著しく上回り、一般的なQAOAセットアップにおいて必要な測定ラウンドを最大1桁まで削減できることを実証する。
また, 有限差分による推定は, 小型・中等度な測定予算の勾配精度においてパラメータシフト則より優れていることを示す。
関連論文リスト
- Eliminating Ratio Bias for Gradient-based Simulated Parameter Estimation [0.7673339435080445]
本稿では、可能性関数が解析的に利用できないモデルにおけるパラメータキャリブレーションの課題に対処する。
本稿では,最大推定と後続密度推定の両問題において,比バイアスの問題に対処するマルチタイムスケールを応用した勾配に基づくシミュレーションパラメータ推定フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-20T02:46:15Z) - Optimal estimation of pure states with displaced-null measurements [0.0]
純粋量子状態の未知パラメータを推定する問題を再検討する。
本研究では,実験者が真のシステム状態に近いベクトルを含む基準で測定することを目指すヌル測度戦略について検討する。
論文 参考訳（メタデータ） (2023-10-10T16:46:24Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳（メタデータ） (2023-04-11T09:13:17Z) - End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。
アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
論文 参考訳（メタデータ） (2022-11-22T18:54:48Z) - Optimized numerical gradient and Hessian estimation for variational
quantum algorithms [0.0]
チューナブルな数値推定器は回路量子ビット数に比例して指数関数的に減少する推定誤差を提供する。
パラメータシフト推定器は,任意の状況下での推定精度で標準の非スケール推定値を上回った。
論文 参考訳（メタデータ） (2022-06-25T12:58:44Z) - Quantum scale estimation [0.0]
量子スケール推定は、量子力学の法則によって許容されるスケールパラメータを推定するための最も正確な枠組みを確立する。
この新しい枠組みは、スケール不変なグローバル温度測定を一般化し、原子状態の寿命を推定するために利用される。
より概念的な点として、量子オブザーバブルのより体系的な探索のためのテンプレートとして機能するアプローチであるスケールパラメーターのためのオブザーバブルを構築するために最適な戦略が採用されている。
論文 参考訳（メタデータ） (2021-11-23T15:03:19Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳（メタデータ） (2021-07-21T17:10:14Z) - Efficient qubit phase estimation using adaptive measurements [0.0]
物理系の量子位相を推定することは、量子パラメータ推定理論における中心的な問題である。
量子位相を推定する現在の方法では、量子クラム・ラオ境界に達することができない。
この問題を回避するために,共変量測定に基づく新しい適応方式を提案する。
論文 参考訳（メタデータ） (2020-12-21T02:43:47Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Deep Bayesian Quadrature Policy Optimization [100.81242753620597]
ディープベイズ二次政策勾配 (Deep Bayesian quadrature Policy gradient, DBQPG) は、政策勾配推定のためのベイズ二次政策の高次元一般化である。
政策勾配法では,DBQPGがモンテカルロ推定を代用できることを示すとともに,一連の連続制御ベンチマーク上での有効性を示す。
論文 参考訳（メタデータ） (2020-06-28T15:44:47Z) - A Framework for Sample Efficient Interval Estimation with Control
Variates [94.32811054797148]
確率変数の平均に対して信頼区間を推定する問題を考察する。
ある条件下では、既存の推定アルゴリズムと比較して効率が向上している。
論文 参考訳（メタデータ） (2020-06-18T05:42:30Z)
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。