論文の概要: Koopman Operator learning for Accelerating Quantum Optimization and Machine Learning

• arxiv url: http://arxiv.org/abs/2211.01365v1
• Date: Wed, 2 Nov 2022 17:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 13:00:47.063637
• Title: Koopman Operator learning for Accelerating Quantum Optimization and Machine Learning
• Title（参考訳）: 量子最適化と機械学習を高速化するkoopman演算子学習
• Authors: Di Luo, Jiayu Shen, Rumen Dangovski, Marin Solja\v{c}i\'c
• Abstract要約: 量子最適化と量子機械学習を高速化するために,Koopman演算子学習を用いたデータ駆動型手法を提案する。 提案手法は,量子コンピュータ上での勾配ダイナミクスを予測し,量子最適化や量子機械学習に使用される変分量子固有解法を高速化することができることを示す。
• 参考スコア（独自算出の注目度）: 1.5785002371773136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding efficient optimization methods plays an important role for quantum optimization and quantum machine learning on near-term quantum computers. While backpropagation on classical computers is computationally efficient, obtaining gradients on quantum computers is not, because the computational complexity usually scales with the number of parameters and measurements. In this paper, we connect Koopman operator theory, which has been successful in predicting nonlinear dynamics, with natural gradient methods in quantum optimization. We propose a data-driven approach using Koopman operator learning to accelerate quantum optimization and quantum machine learning. We develop two new families of methods: the sliding window dynamic mode decomposition (DMD) and the neural DMD for efficiently updating parameters on quantum computers. We show that our methods can predict gradient dynamics on quantum computers and accelerate the variational quantum eigensolver used in quantum optimization, as well as quantum machine learning. We further implement our Koopman operator learning algorithm on a real IBM quantum computer and demonstrate their practical effectiveness.
• Abstract（参考訳）: 効率的な最適化方法を見つけることは、近距離量子コンピュータの量子最適化と量子機械学習において重要な役割を果たす。 古典的コンピュータのバックプロパゲーションは計算的に効率的であるが、量子コンピュータの勾配を求めることは、計算の複雑さが通常パラメータや測定値の数とともにスケールするためではない。 本稿では,非線形ダイナミクスの予測に成功しているkoopman演算子理論と,量子最適化における自然勾配法を接続する。 量子最適化と量子機械学習を高速化するために,Koopman演算子学習を用いたデータ駆動方式を提案する。 我々は2つの新しい手法であるスライディングウインドウ動的モード分解法(DMD)と,量子コンピュータ上のパラメータを効率的に更新するニューラルDMDを開発した。 本手法は,量子コンピュータ上での勾配ダイナミクスを予測し,量子最適化や量子機械学習で用いられる変分量子固有ソルバを高速化できることを示す。 さらに,実際のIBM量子コンピュータ上でクープマン演算子学習アルゴリズムを実装し,実効性を示す。

関連論文リスト

• Learning Parameterized Quantum Circuits with Quantum Gradient [8.64967968665265]
  我々は、量子勾配を利用して勾配型コスト関数のPQC学習を強化するネスト最適化モデルを導入する。 我々の手法は量子アルゴリズムを用いて、PQC学習における永続的な課題である勾配の消失のタイプを特定し、克服する。
  論文  参考訳（メタデータ） (2024-09-30T07:50:47Z)
• Surrogate optimization of variational quantum circuits [1.0546736060336612]
  変分量子固有解法は、多くの応用に影響を及ぼすことのできる短期的アルゴリズムとして評価される。 収束性を改善するアルゴリズムや手法を見つけることは、VQEの短期ハードウェアの能力を加速するために重要である。
  論文  参考訳（メタデータ） (2024-04-03T18:00:00Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• Efficient DCQO Algorithm within the Impulse Regime for Portfolio Optimization [41.94295877935867]
  本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。 提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。 我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:53:08Z)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Surviving The Barren Plateau in Variational Quantum Circuits with Bayesian Learning Initialization [0.0]
  変分量子古典ハイブリッドアルゴリズムは、近い将来に量子コンピュータの実用的な問題を解くための有望な戦略と見なされている。 本稿では,ベイズ空間における有望な領域を特定するために勾配を用いた高速・スローアルゴリズムを提案する。 本研究は, 量子化学, 最適化, 量子シミュレーション問題における変分量子アルゴリズムの応用に近づいたものである。
  論文  参考訳（メタデータ） (2022-03-04T17:48:57Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Optimal training of variational quantum algorithms without barren plateaus [0.0]
  変分量子アルゴリズム(VQA)は、短期量子コンピュータの効率的な利用を約束する。 量子状態学習のためのVQAを最適に訓練する方法を示す。 量子機械学習におけるガウスカーネルの応用を提案する。
  論文  参考訳（メタデータ） (2021-04-29T17:54:59Z)

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。