論文の概要: Graph Neural Network Autoencoders for Efficient Quantum Circuit Optimisation

• arxiv url: http://arxiv.org/abs/2303.03280v1
• Date: Mon, 6 Mar 2023 16:51:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 15:18:57.449713
• Title: Graph Neural Network Autoencoders for Efficient Quantum Circuit Optimisation
• Title（参考訳）: 効率的な量子回路最適化のためのグラフニューラルネットワークオートエンコーダ
• Authors: Ioana Moflic, Vikas Garg, Alexandru Paler
• Abstract要約: 我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。 我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。 我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
• 参考スコア（独自算出の注目度）: 69.43216268165402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning (RL) is a promising method for quantum circuit optimisation. However, the state space that has to be explored by an RL agent is extremely large when considering all the possibilities in which a quantum circuit can be transformed through local rewrite operations. This state space explosion slows down the learning of RL-based optimisation strategies. We present for the first time how to use graph neural network (GNN) autoencoders for the optimisation of quantum circuits. We construct directed acyclic graphs from the quantum circuits, encode the graphs and use the encodings to represent RL states. We illustrate our proof of concept implementation on Bernstein-Vazirani circuits and, from preliminary results, we conclude that our autoencoder approach: a) maintains the optimality of the original RL method; b) reduces by 20 \% the size of the table that encodes the learned optimisation strategy. Our method is the first realistic first step towards very large scale RL quantum circuit optimisation.
• Abstract（参考訳）: 強化学習(rl)は量子回路最適化の有望な方法である。 しかし、rlエージェントが探索しなければならない状態空間は、局所的な書き換え操作によって量子回路を変換できる可能性をすべて考慮すれば、非常に大きい。 この状態空間の爆発はrlベースの最適化戦略の学習を遅くする。 我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。 我々は、量子回路から有向非巡回グラフを構築し、グラフをエンコードし、rl状態を表すエンコードを使用する。 我々はbernstein-vazirani回路の概念実装の証明を示し、予備的な結果から、我々のオートエンコーダアプローチを結論付ける。 a) 元のRL法の最適性を維持する。 b)学習した最適化戦略を符号化するテーブルのサイズを20%削減する。 本手法は,大規模rl量子回路最適化に向けた最初の現実的な第一歩である。

関連論文リスト

• Optimizing Quantum Circuits, Fast and Slow [7.543907169342984]
  本稿では,リライトと再合成を抽象回路変換として考えるための枠組みを提案する。 次に,量子回路を最適化するアルゴリズムGUOQを提案する。
  論文  参考訳（メタデータ） (2024-11-06T18:34:35Z)
• Reinforcement Learning Based Quantum Circuit Optimization via ZX-Calculus [0.0]
  本稿では,ZX-ダイアグラムのグラフ理論的単純化規則を用いて,量子回路を最適化するための新しい強化学習法を提案する。 そこで本研究では,ZX-Calculusをベースとした最良性能のアルゴリズムと比較し,提案手法の能力を示す。 我々のアプローチは、短期中間スケール範囲(NISQ)における量子アルゴリズムの実装のための貴重なツールとして使われる準備ができている。
  論文  参考訳（メタデータ） (2023-12-18T17:59:43Z)
• Cost Explosion for Efficient Reinforcement Learning Optimisation of Quantum Circuits [55.616364225463066]
  強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。 私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。 本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-21T10:16:03Z)
• Quarl: A Learning-Based Quantum Circuit Optimizer [8.994999903946848]
  本稿では,学習型量子回路Quarlについて述べる。 量子回路最適化への強化学習の適用は、大きく変化するアクション空間と、一様でない状態表現という2つの大きな課題を提起する。
  論文  参考訳（メタデータ） (2023-07-17T19:21:22Z)
• Riemannian quantum circuit optimization for Hamiltonian simulation [2.1227079314039057]
  ハミルトンシミュレーションは量子コンピューティングの自然な応用である。 翻訳不変系では、そのような回路トポロジのゲートは古典的なコンピュータでさらに最適化することができる。 一次元格子上のイジングとハイゼンベルクのモデルに対して、我々は桁違いの精度の向上を達成する。
  論文  参考訳（メタデータ） (2022-12-15T00:00:17Z)
• Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
  本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。 既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。 1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
  論文  参考訳（メタデータ） (2022-07-13T08:52:13Z)
• 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)
• Quantum Gate Pattern Recognition and Circuit Optimization for Scientific Applications [1.6329956884407544]
  回路最適化のための2つのアイデアを導入し、AQCELと呼ばれる多層量子回路最適化プロトコルに組み合わせる。 AQCELは、高エネルギー物理学における最終状態の放射をモデル化するために設計された反復的で効率的な量子アルゴリズム上に展開される。 我々の手法は汎用的であり、様々な量子アルゴリズムに有用である。
  論文  参考訳（メタデータ） (2021-02-19T16:20:31Z)
• 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)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。