論文の概要: Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design
- arxiv url: http://arxiv.org/abs/2211.04343v1
- Date: Sat, 5 Nov 2022 22:16:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 16:54:56.325800
- Title: Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design
- Title(参考訳): 量子Deep Dreaming:量子回路設計の新しいアプローチ
- Authors: Romi Lifshitz
- Abstract要約: 量子ディープドリーミング(Quantum Deep Dreaming, QDD)は、特定の目的のために最適な量子回路アーキテクチャを生成するアルゴリズムである。
我々は、QDDが基底状態エネルギーに近い6量子ビットの回路、すなわち「ドレーム」を正常に生成することを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the challenges currently facing the quantum computing community is the
design of quantum circuits which can efficiently run on near-term quantum
computers, known as the quantum compiling problem. Algorithms such as the
Variational Quantum Eigensolver (VQE), Quantum Approximate Optimization
Algorithm (QAOA), and Quantum Architecture Search (QAS) have been shown to
generate or find optimal near-term quantum circuits. However, these methods are
computationally expensive and yield little insight into the circuit design
process. In this paper, we propose Quantum Deep Dreaming (QDD), an algorithm
that generates optimal quantum circuit architectures for specified objectives,
such as ground state preparation, while providing insight into the circuit
design process. In QDD, we first train a neural network to predict some
property of a quantum circuit (such as VQE energy). Then, we employ the Deep
Dreaming technique on the trained network to iteratively update an initial
circuit to achieve a target property value (such as ground state VQE energy).
Importantly, this iterative updating allows us to analyze the intermediate
circuits of the dreaming process and gain insights into the circuit features
that the network is modifying during dreaming. We demonstrate that QDD
successfully generates, or 'dreams', circuits of six qubits close to ground
state energy (Transverse Field Ising Model VQE energy) and that dreaming
analysis yields circuit design insights. QDD is designed to optimize circuits
with any target property and can be applied to circuit design problems both
within and outside of quantum chemistry. Hence, QDD lays the foundation for the
future discovery of optimized quantum circuits and for increased
interpretability of automated quantum algorithm design.
- Abstract(参考訳): 現在量子コンピューティングコミュニティが直面している課題の1つは、量子コンパイル問題として知られる、短期的な量子コンピュータ上で効率的に動作する量子回路の設計である。
変分量子固有解法 (VQE) や量子近似最適化アルゴリズム (QAOA) 、量子アーキテクチャ探索 (QAS) といったアルゴリズムは、最適に近い量子回路を生成または見つけることが示されている。
しかし、これらの手法は計算コストが高く、回路設計プロセスについてはほとんど洞察を得られない。
本稿では,回路設計過程に対する洞察を提供しつつ,基底状態形成などの特定目的に対して最適な量子回路アーキテクチャを生成するアルゴリズムであるquantum deep dreaming (qdd)を提案する。
qddでは、まずニューラルネットワークを訓練し、量子回路(vqeエネルギーなど)のいくつかの特性を予測する。
次に,訓練ネットワーク上でのディープドリーム技術を用いて,初期回路の更新を反復的に行い,対象特性値(基底状態vqeエネルギーなど)を達成する。
重要なのは、この反復的な更新によって、夢のプロセスの中間回路を分析し、夢中にネットワークが修正している回路の特徴について洞察を得ることができます。
我々は,QDDが基底状態エネルギー(Transverse Field Ising Model VQE Energy)に近い6量子ビットの回路(Dreams)をうまく生成し,また,ドリーム解析によって回路設計の洞察が得られることを示した。
QDDは、任意の目的特性を持つ回路を最適化するために設計されており、量子化学の内外の両方で回路設計問題に適用できる。
したがって、qddは最適化量子回路の将来の発見と、自動量子アルゴリズム設計の解釈可能性の向上のための基礎を築いている。
関連論文リスト
- SuperEncoder: Towards Universal Neural Approximate Quantum State Preparation [12.591173729459427]
トレーニング済みのニューラルネットワークを利用して任意の量子状態に対してQSP回路を直接生成できることが示される。
我々の研究は、近似QSPのための普遍的ニューラルデザイナに向けて着実に進んでいる。
論文 参考訳(メタデータ) (2024-08-10T04:39:05Z) - Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。
短絡の新規・ハードウェア対応回路の発見能力を示す。
本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文 参考訳(メタデータ) (2024-06-18T01:49:48Z) - An RNN-policy gradient approach for quantum architecture search [7.616832563471534]
変分量子回路は、量子コンピューティングの利点を利用するための有望な方法の1つである。
量子回路アーキテクチャの設計は、量子アルゴリズムの性能に大きく影響する可能性がある。
量子アーキテクチャ探索は、量子回路アーキテクチャを自動設計するプロセスである。
論文 参考訳(メタデータ) (2024-05-09T16:44:35Z) - Distributed quantum architecture search [0.0]
ニューラルネットワークにインスパイアされた変分量子アルゴリズムは、量子コンピューティングにおいて新しいアプローチとなっている。
量子アーキテクチャ探索は、ゲートパラメータとともに回路構造を調整することでこの問題に対処し、高性能回路構造を自動的に発見する。
そこで我々は,特定の量子ビット接続を伴う相互接続型量子処理ユニットのための分散量子回路構造を自動設計することを目的とした,エンドツーエンドの分散量子アーキテクチャ探索フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-10T13:28:56Z) - 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) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - GSQAS: Graph Self-supervised Quantum Architecture Search [0.18899300124593643]
既存の量子アーキテクチャ探索(QAS)アルゴリズムは、探索プロセス中に多数の量子回路を評価する必要がある。
本稿では,自己教師型学習に基づく予測器を訓練するグラフ自己教師型QASであるGSQASを提案する。
GSQASは最先端の予測器ベースのQASより優れており、ラベル付き回路が少なくて性能が良い。
論文 参考訳(メタデータ) (2023-03-22T08:35:28Z) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳(メタデータ) (2022-04-12T19:39:31Z) - Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。
提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文 参考訳(メタデータ) (2021-06-26T10:55:52Z) - Differentiable Quantum Architecture Search [15.045985536395479]
微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。
DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
論文 参考訳(メタデータ) (2020-10-16T18:00:03Z) - 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)
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。