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

• arxiv url: http://arxiv.org/abs/2210.14450v2
• Date: Thu, 13 Apr 2023 12:08:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 20:34:29.300469
• 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: サイクルグラフ上の単純な離散時間量子ウォーク(DTQW)を用いて任意のユニタリ演算をモデル化する。 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。
• 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: The quantum circuit model is the most commonly used model for implementing quantum computers and quantum neural networks whose essential tasks are to realize certain unitary operations. Here we propose an alternative approach; we use a simple discrete-time quantum walk (DTQW) on a cycle graph to model an arbitrary unitary operation $U(N)$ without the need to decompose it into a sequence of gates of smaller sizes. Our model is essentially a quantum neural network based on DTQW. Firstly, it is universal as we show that any unitary operation $U(N)$ can be realized via an appropriate choice of coin operators. Secondly, our DTQW-based neural network can be updated efficiently via a learning algorithm, i.e., a modified stochastic gradient descent algorithm adapted to our network. By training this network, one can promisingly find approximations to arbitrary desired unitary operations. With an additional measurement on the output, the DTQW-based neural network can also implement general measurements described by positive-operator-valued measures (POVMs). We show its capacity in implementing arbitrary 2-outcome POVM measurements via numeric simulation. 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. Our work shows the capability of the DTQW-based neural network in quantum computation and its potential in laboratory implementations.
• Abstract（参考訳）: 量子回路モデル(quantum circuit model)は、量子コンピュータや量子ニューラルネットワークを実装する上で最も一般的に用いられるモデルである。 ここでは、周期グラフ上の単純な離散時間量子ウォーク(dtqw)を用いて任意のユニタリ演算 $u(n)$ をモデル化する手法を提案する。 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。 第一に、任意のユニタリ演算 $U(N)$ がコイン作用素の適切な選択によって実現可能であることを示すことは普遍的である。 第2に、私たちのDTQWベースのニューラルネットワークは、学習アルゴリズム、すなわち、我々のネットワークに適応した修正確率勾配勾配アルゴリズムを介して効率的に更新することができる。 このネットワークを訓練することで、任意の所望のユニタリ操作に対する近似を見つけることができる。 出力のさらなる測定により、DTQWベースのニューラルネットワークは、正の演算値測定(POVM)によって説明される一般的な測定を実装できる。 数値シミュレーションによる任意の2アウトカムPOVM測定の実装能力を示す。 さらに,ネットワークを単純化し,トレーニング中にデバイスノイズを克服し,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。