論文の概要: Implementing arbitrary quantum operations via quantum walks on a cycle graph

• arxiv url: http://arxiv.org/abs/2210.14450v1
• Date: Wed, 26 Oct 2022 03:51:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-21 13:31:41.628415
• Title: Implementing arbitrary quantum operations via quantum walks on a cycle graph
• Title（参考訳）: サイクルグラフ上の量子ウォークによる任意の量子演算の実装
• Authors: Jia-Yi Lin, Xin-Yu Li, Yu-Hao Shao, Wei Wang, and Shengjun Wu
• Abstract要約: 本稿では,離散時間量子ウォーク(DTQW)に基づく回路グラフに基づく量子ニューラルネットワークを提案する。 サイクルグラフ上のDTQWは、コイン演算子の適切な選択により、システム上の任意のユニタリ演算を実現することができるので、我々のタスクに十分対応できることを示す。
• 参考スコア（独自算出の注目度）: 8.820803742534677
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Finding implementations of unitary operations is a fundamental task in the field of quantum computation. For such a task, here we propose a quantum neural network based on the discrete-time quantum walk (DTQW) on a cycle graph. Firstly, we show that the DTQW on a cycle graph can be well-equipped for our task since any unitary operation on the system can be realized via an appropriate choice of coin operators. Secondly, we modify the stochastic gradient descent algorithm from machine learning so that it can be applied to the DTQW-based neural network efficiently. By training this network, one can promisingly find approximations to arbitrary desired unitary operations, as well as 2-outcome POVMs. We further demonstrate that the network can be simplified and can overcome device noises during the training so that it becomes more friendly for laboratory implementations, while still maintaining its capability of approximating quantum operations. Our work shows the capability of the DTQW-based neural network in quantum computation and its potential in laboratory implementations.
• Abstract（参考訳）: ユニタリ演算の実装を見つけることは、量子計算の分野における基本的なタスクである。 このような課題に対して、サイクルグラフ上の離散時間量子ウォーク(DTQW)に基づく量子ニューラルネットワークを提案する。 まず,サイクルグラフ上のDTQWは,コイン演算子の適切な選択によってシステム上の任意のユニタリ演算を実現することができるので,我々のタスクに十分対応できることを示す。 次に、確率勾配降下アルゴリズムを機械学習から修正し、dtqwベースのニューラルネットワークに効率的に適用できるようにする。 このネットワークをトレーニングすることで、任意のユニタリ操作や2アウトカムのPOVMに対する近似を確実に見つけることができる。 さらに,ネットワークを単純化し,学習中にデバイスノイズを克服し,量子演算を近似する能力を維持しつつ,実験実装に親しみやすくすることの実証を行った。 本研究は、量子計算におけるDTQWベースのニューラルネットワークの機能とその実験室実装における可能性を示す。

関連論文リスト

• Challenges and opportunities in the supervised learning of quantum circuit outputs [0.0]
  ディープニューラルネットワークは、関連するランダム量子回路の出力特性を予測できることが証明されている。 変動量子アルゴリズムでよく使用される回路の出力期待値を予測するために,ニューラルネットワークがどの程度の精度で学習できるかを検討する。
  論文  参考訳（メタデータ） (2024-02-07T16:10:13Z)
• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• Implementing arbitrary quantum operations via quantum walks on a cycle graph [9.463363607207679]
  我々は、任意のユニタリ演算をモデル化するために、サイクルグラフ上に単純な離散時間量子ウォーク(DTQW)を用いる。 我々のモデルは基本的にDTQWに基づく量子ニューラルネットワークである。 本研究は、量子計算におけるDTQWベースのニューラルネットワークの機能と、実験室実装におけるその可能性を示す。
  論文  参考訳（メタデータ） (2023-04-12T07:48:51Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Recurrent Quantum Neural Networks [7.6146285961466]
  リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。 非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。 我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
  論文  参考訳（メタデータ） (2020-06-25T17:59:44Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。