論文の概要: QuEst: Graph Transformer for Quantum Circuit Reliability Estimation
- arxiv url: http://arxiv.org/abs/2210.16724v1
- Date: Sun, 30 Oct 2022 02:35:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:40:59.953464
- Title: QuEst: Graph Transformer for Quantum Circuit Reliability Estimation
- Title（参考訳）: 量子回路信頼性推定のためのグラフトランス
- Authors: Hanrui Wang and Pengyu Liu and Jinglei Cheng and Zhiding Liang and
Jiaqi Gu and Zirui Li and Yongshan Ding and Weiwen Jiang and Yiyu Shi and
Xuehai Qian and David Z. Pan and Frederic T. Chong and Song Han
- Abstract要約: TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。
本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。
回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
- 参考スコア（独自算出の注目度）: 32.89844497610906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Among different quantum algorithms, PQC for QML show promises on near-term
devices. To facilitate the QML and PQC research, a recent python library called
TorchQuantum has been released. It can construct, simulate, and train PQC for
machine learning tasks with high speed and convenient debugging supports.
Besides quantum for ML, we want to raise the community's attention on the
reversed direction: ML for quantum. Specifically, the TorchQuantum library also
supports using data-driven ML models to solve problems in quantum system
research, such as predicting the impact of quantum noise on circuit fidelity
and improving the quantum circuit compilation efficiency.
This paper presents a case study of the ML for quantum part. Since estimating
the noise impact on circuit reliability is an essential step toward
understanding and mitigating noise, we propose to leverage classical ML to
predict noise impact on circuit fidelity. Inspired by the natural graph
representation of quantum circuits, we propose to leverage a graph transformer
model to predict the noisy circuit fidelity. We firstly collect a large dataset
with a variety of quantum circuits and obtain their fidelity on noisy
simulators and real machines. Then we embed each circuit into a graph with gate
and noise properties as node features, and adopt a graph transformer to predict
the fidelity.
Evaluated on 5 thousand random and algorithm circuits, the graph transformer
predictor can provide accurate fidelity estimation with RMSE error 0.04 and
outperform a simple neural network-based model by 0.02 on average. It can
achieve 0.99 and 0.95 R$^2$ scores for random and algorithm circuits,
respectively. Compared with circuit simulators, the predictor has over 200X
speedup for estimating the fidelity.
- Abstract（参考訳）: 異なる量子アルゴリズムのうち、qml用のpqcは、短期デバイスに約束を示す。
QMLとPQCの研究を促進するため、TorchQuantumと呼ばれる最近のpythonライブラリがリリースされた。
高速で便利なデバッグサポートを備えた機械学習タスク用のPQCの構築、シミュレーション、トレーニングを行うことができる。
MLのための量子以外にも、逆方向に対するコミュニティの関心を高めたい: 量子のためのML。
具体的には、torchquantumライブラリは、データ駆動mlモデルを使用して、量子ノイズが回路の忠実性に与える影響の予測や、量子回路のコンパイル効率の向上など、量子システム研究の問題を解決する。
本稿では,量子部分に対するMLのケーススタディを示す。
回路信頼性に対するノイズの影響を推定することは、ノイズの理解と緩和に向けた重要なステップであるため、従来のMLを利用して回路の忠実度に対するノイズの影響を予測することを提案する。
量子回路の自然なグラフ表現に着想を得て,ノイズの多い回路の忠実度を予測するためにグラフトランスフォーマモデルを提案する。
まず、様々な量子回路を持つ大規模データセットを収集し、ノイズの多いシミュレータや実マシンでその忠実性を得る。
次に、各回路をノード特性としてゲートとノイズ特性を有するグラフに埋め込み、グラフトランスフォーマを使用して忠実度を予測する。
5千のランダム回路とアルゴリズム回路で評価され、グラフトランスフォーマー予測器は、rmse誤差0.04で正確な忠実度推定を提供し、単純なニューラルネットワークベースのモデルを平均0.02で上回ることができる。
ランダム回路とアルゴリズム回路でそれぞれ0.99と0.95R$^2$のスコアを達成できる。
回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
関連論文リスト
- Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation [5.074765131677166]
本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。
我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
論文 参考訳（メタデータ） (2024-05-13T18:26:55Z) - Scalable noise characterisation of syndrome extraction circuits with averaged circuit eigenvalue sampling [0.0]
平均回路固有値サンプリング(ACES)は、量子回路のスケーラブルなノイズ特性化のための一般的なフレームワークである。
ACES 実験の性能を厳密に分析することにより,期待される性能に対するメリットの図形を導出する。
以上の結果から,ノイズの詳細な特徴付け手法は短期量子デバイスに拡張可能であることが示唆された。
論文 参考訳（メタデータ） (2024-04-09T18:00:30Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文 参考訳（メタデータ） (2023-07-05T08:06:41Z) - QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。
可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。
QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
論文 参考訳（メタデータ） (2021-07-22T17:58:13Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。
後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。
近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文 参考訳（メタデータ） (2020-07-29T05:26:19Z) - 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) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳（メタデータ） (2020-07-21T15:36:25Z) - A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。
コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
論文 参考訳（メタデータ） (2020-05-21T17:47:29Z)
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。