論文の概要: On the practical usefulness of the Hardware Efficient Ansatz
- arxiv url: http://arxiv.org/abs/2211.01477v1
- Date: Wed, 2 Nov 2022 20:57:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 16:29:01.697127
- Title: On the practical usefulness of the Hardware Efficient Ansatz
- Title（参考訳）: ハードウェア効率の高いansatzの実用的有用性について
- Authors: Lorenzo Leone, Salvatore F.E. Oliviero, Lukasz Cincio, M. Cerezo
- Abstract要約: 1次元層状ハードウェア効率アンザッツ(HEA)は、ネイティブゲートと接続体を用いてハードウェアノイズの影響を最小限に抑える。
このような場合、浅いHEAは常に訓練可能であり、損失関数値の集中防止が存在することを示す。
- 参考スコア（独自算出の注目度）: 0.8258451067861933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational Quantum Algorithms (VQAs) and Quantum Machine Learning (QML)
models train a parametrized quantum circuit to solve a given learning task. The
success of these algorithms greatly hinges on appropriately choosing an ansatz
for the quantum circuit. Perhaps one of the most famous ansatzes is the
one-dimensional layered Hardware Efficient Ansatz (HEA), which seeks to
minimize the effect of hardware noise by using native gates and connectives.
The use of this HEA has generated a certain ambivalence arising from the fact
that while it suffers from barren plateaus at long depths, it can also avoid
them at shallow ones. In this work, we attempt to determine whether one should,
or should not, use a HEA. We rigorously identify scenarios where shallow HEAs
should likely be avoided (e.g., VQA or QML tasks with data satisfying a volume
law of entanglement). More importantly, we identify a Goldilocks scenario where
shallow HEAs could achieve a quantum speedup: QML tasks with data satisfying an
area law of entanglement. We provide examples for such scenario (such as
Gaussian diagonal ensemble random Hamiltonian discrimination), and we show that
in these cases a shallow HEA is always trainable and that there exists an
anti-concentration of loss function values. Our work highlights the crucial
role that input states play in the trainability of a parametrized quantum
circuit, a phenomenon that is verified in our numerics.
- Abstract（参考訳）: 変分量子アルゴリズム(VQA)と量子機械学習(QML)モデルは、与えられた学習タスクを解決するためにパラメタライズされた量子回路を訓練する。
これらのアルゴリズムの成功は、量子回路のアンサッツを適切に選択することに大きく依存する。
おそらく最も有名なアンサーゼの1つは1次元の層状ハードウェア効率アンサーツ(HEA)であり、ネイティブゲートと接続体を使ってハードウェアノイズの影響を最小限に抑えることを目指している。
このHEAの使用は、長い深さで不毛の台地に苦しむ一方で、浅い場所では避けられるという事実から、ある程度の曖昧さを生み出している。
本研究では,HEAを使用するべきか,使用すべきでないのかを判断する。
浅いヒースを避けるべきシナリオ(例えば、vqaタスクやqmlタスク)を厳密に識別し、絡み合いのボリュームの法則を満たすデータとします。
さらに重要なことは、浅いHEAが量子スピードアップを達成することができるGoldilocksシナリオを特定することだ。
このようなシナリオ(例えばガウス対角角アンサンブルランダムハミルトン判別)の例を示し、これらの場合、浅いHEAは常に訓練可能であり、損失関数値の反集中が存在することを示す。
我々の研究は、入力状態がパラメタライズド量子回路のトレーニング可能性において重要な役割を担っていることを強調している。
関連論文リスト
- Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Quantum subspace expansion in the presence of hardware noise [0.0]
現在の量子処理ユニット(QPU)の基底状態エネルギーの発見は課題を呈し続けている。
ハードウェアノイズは、パラメタライズド量子回路の表現性とトレーニング性の両方に深刻な影響を及ぼす。
量子サブスペース拡張とVQEを統合する方法を示し、量子コンピューティング能力と古典コンピューティング能力とコストの最適なバランスを可能にする。
論文 参考訳（メタデータ） (2024-04-14T02:48:42Z) - 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) - Calibrating the role of entanglement in variational quantum circuits [0.6435156676256051]
エンタングルメント(Entanglement)は、量子コンピューティングの重要な性質であり、古典的なものとは分離している。
2つの変分量子アルゴリズムの動作における絡み合いの役割を系統的に検討する。
QAOAを用いて解いたMAX-CUT問題に対して,絡み合い関数としての忠実度は層数に大きく依存することがわかった。
QNNの場合、高いテスト精度のトレーニング回路は高い絡み合いによって支えられ、強制的な絡み合いの制限はテスト精度の急激な低下をもたらす。
論文 参考訳（メタデータ） (2023-10-16T23:36:40Z) - Variational Quantum Eigensolver for Classification in Credit Sales Risk [0.5524804393257919]
本稿では,変分量子固有解器(VQE)といわゆるSWAP-Testに基づく量子回路について考察する。
活用されたデータセットでは、2つのクラスが観察できる。
この解はコンパクトであり、対数的に増加するキュービット数だけを必要とする。
論文 参考訳（メタデータ） (2023-03-05T23:08:39Z) - TopGen: Topology-Aware Bottom-Up Generator for Variational Quantum
Circuits [26.735857677349628]
変分量子アルゴリズム(VQA)は、短期デバイスに量子上の利点を示すことを約束している。
パラメータ化ゲートを持つ変分回路であるアンサッツの設計は、VQAにとって最重要となる。
トポロジ固有のアンザッツを生成するボトムアップ手法を提案する。
論文 参考訳（メタデータ） (2022-10-15T04:18:41Z) - Error Mitigation-Aided Optimization of Parameterized Quantum Circuits:
Convergence Analysis [42.275148861039895]
変分量子アルゴリズム(VQA)は、ノイズプロセッサを介して量子アドバンテージを得るための最も有望な経路を提供する。
不完全性とデコヒーレンスによるゲートノイズは、バイアスを導入して勾配推定に影響を与える。
QEM(Quantum error mitigation)技術は、キュービット数の増加を必要とせずに、推定バイアスを低減することができる。
QEMは必要な反復回数を減らすことができるが、量子ノイズレベルが十分に小さい限りである。
論文 参考訳（メタデータ） (2022-09-23T10:48:04Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。
本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。
Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
論文 参考訳（メタデータ） (2021-05-06T17:59:38Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - Supervised Learning Using a Dressed Quantum Network with "Super
Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。
本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。
他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
論文 参考訳（メタデータ） (2020-07-20T16:29:32Z)
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。