論文の概要: Restricting to the chip architecture maintains the quantum neural
network accuracy, if the parameterization is a $2$-design
- arxiv url: http://arxiv.org/abs/2212.14426v1
- Date: Thu, 29 Dec 2022 18:57:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 16:05:53.598186
- Title: Restricting to the chip architecture maintains the quantum neural
network accuracy, if the parameterization is a $2$-design
- Title(参考訳): チップアーキテクチャの制限は、パラメータ化が2ドル設計の場合、量子ニューラルネットワークの精度を維持する
- Authors: Lucas Friedrich, Jonas Maziero
- Abstract要約: 変分量子回路(VQC)は、量子機械学習モデルを構築するための主要な戦略の1つである。
この記事では、次のような質問に答えることに焦点をあてる。 使用すべきゲートの最適なシーケンスは何ですか?
一般に、コスト関数は、パラメータ化がより近いほど、通常の平均値となる傾向がある。
- 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: In the era of noisy intermediate scale quantum devices, variational quantum
circuits (VQCs) are currently one of the main strategies for building quantum
machine learning models. These models are made up of a quantum part and a
classical part. The quantum part is given by a parametrization $U$, which, in
general, is obtained from the product of different quantum gates. By its turn,
the classical part corresponds to an optimizer that updates the parameters of
$U$ in order to minimize a cost function $C$. However, despite the many
applications of VQCs, there are still questions to be answered, such as for
example: What is the best sequence of gates to be used? How to optimize their
parameters? Which cost function to use? How the architecture of the quantum
chips influences the final results? In this article, we focus on answering the
last question. We will show that, in general, the cost function will tend to a
typical average value the closer the parameterization used is from a
$2$-design. Therefore, the closer this parameterization is to a $2$-design, the
less the result of the quantum neural network model will depend on its
parametrization. As a consequence, we can use the own architecture of the
quantum chips to defined the VQC parametrization, avoiding the use of
additional swap gates and thus diminishing the VQC depth and the associated
errors.
- Abstract(参考訳): ノイズの多い中間スケール量子デバイスの時代において、変分量子回路(vqcs)は量子機械学習モデルを構築するための主要な戦略の1つである。
これらのモデルは量子部分と古典部分で構成されている。
量子部分はパラメトリゼーション $u$ によって与えられるが、これは一般に異なる量子ゲートの積から得られる。
その順番に、古典的な部分は、コスト関数 $c$ を最小限にするために$u$ のパラメータを更新するオプティマイザに対応する。
しかしながら、vqcsの多くの応用にもかかわらず、例えば: ゲートの最適なシーケンスは何か?
パラメータの最適化方法?
どのコスト関数を使うか?
量子チップのアーキテクチャは最終結果にどのように影響するか?
この記事では、最後の質問に答えることに集中します。
一般的に、コスト関数は、パラメータ化が2ドルの設計でより近くなるほど、典型的な平均値になる傾向があります。
したがって、このパラメータ化が2ドルの設計に近づくほど、量子ニューラルネットワークモデルの結果はそのパラメータ化に依存することになる。
結果として、量子チップの独自のアーキテクチャを用いてVQCパラメトリゼーションを定義し、スワップゲートの追加の使用を回避し、VQC深さと関連するエラーを減らすことができる。
関連論文リスト
- Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。
我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。
適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
論文 参考訳(メタデータ) (2025-01-10T12:07:00Z) - Symmetry-preserved cost functions for variational quantum eigensolver [0.0]
ハイブリッド量子-古典的変分アルゴリズムは、ノイズの多い量子コンピュータに最適であると考えられている。
コスト関数に直接対称性の保存を符号化し、ハードウェア効率の良いAns"atzeをより効率的に利用できるようにする。
論文 参考訳(メタデータ) (2024-11-25T20:33:47Z) - A Quantum Circuit-Based Compression Perspective for Parameter-Efficient Learning [19.178352290785153]
量子パラメータ生成の枠組みに量子s適応(QPA)を導入する。
QPAはQNNと古典的な多層パーセプトロンマッピングモデルを統合し、微調整のためのパラメータを生成する。
Gemma-2とGPT-2をケーススタディとして、QPAはパラメータ効率のよい微調整法に対して重要なパラメータ還元を示す。
論文 参考訳(メタデータ) (2024-10-13T14:09:29Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳(メタデータ) (2024-04-17T11:00:12Z) - Pre-optimizing variational quantum eigensolvers with tensor networks [1.4512477254432858]
VQEをシミュレートすることで、パラメータ化量子回路のよい開始パラメータを求める手法を提示し、ベンチマークする。
最大32キュービットのシステムサイズを持つ1Dと2DのFermi-Hubbardモデルに適用する。
2Dでは、VTNEが検出するパラメータは開始構成よりもはるかに低いエネルギーであり、これらのパラメータから開始するVQEは、与えられたエネルギーに降り着くためには、自明に少ない演算を必要とすることを示す。
論文 参考訳(メタデータ) (2023-10-19T17:57:58Z) - 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) - Quantum-classical tradeoffs and multi-controlled quantum gate decompositions in variational algorithms [0.4677099525783277]
短期量子コンピュータの計算能力は、ゲート演算のノイズの多い実行と物理量子ビットの限られた数によって制限される。
ハイブリッド変分アルゴリズムは、問題の解決に使用される量子資源と古典的リソースの間の幅広いトレードオフを可能にするため、短期量子デバイスに適している。
本稿では,特定のケースについて検討し,アルゴリズムレベルとハードウェアレベルの両方で利用可能なトレードオフについて検討する。
論文 参考訳(メタデータ) (2022-10-10T00:25:18Z) - Analytical and experimental study of center line miscalibrations in M\o
lmer-S\o rensen gates [51.93099889384597]
モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。
我々はゲート進化演算子を計算し、関連する鍵特性を得る。
我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
論文 参考訳(メタデータ) (2021-12-10T10:56:16Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳(メタデータ) (2021-08-03T17:49:09Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳(メタデータ) (2021-03-15T17:38:33Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z)
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。