論文の概要: GSQAS: Graph Self-supervised Quantum Architecture Search
- arxiv url: http://arxiv.org/abs/2303.12381v1
- Date: Wed, 22 Mar 2023 08:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 14:41:21.011353
- Title: GSQAS: Graph Self-supervised Quantum Architecture Search
- Title（参考訳）: gsqas: グラフ自己教師付き量子アーキテクチャ検索
- Authors: Zhimin He, Maijie Deng, Shenggen Zheng, Lvzhou Li, Haozhen Situ
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.18899300124593643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Architecture Search (QAS) is a promising approach to designing
quantum circuits for variational quantum algorithms (VQAs). However, existing
QAS algorithms require to evaluate a large number of quantum circuits during
the search process, which makes them computationally demanding and limits their
applications to large-scale quantum circuits. Recently, predictor-based QAS has
been proposed to alleviate this problem by directly estimating the performances
of circuits according to their structures with a predictor trained on a set of
labeled quantum circuits. However, the predictor is trained by purely
supervised learning, which suffers from poor generalization ability when
labeled training circuits are scarce. It is very time-consuming to obtain a
large number of labeled quantum circuits because the gate parameters of quantum
circuits need to be optimized until convergence to obtain their ground-truth
performances. To overcome these limitations, we propose GSQAS, a graph
self-supervised QAS, which trains a predictor based on self-supervised
learning. Specifically, we first pre-train a graph encoder on a large number of
unlabeled quantum circuits using a well-designed pretext task in order to
generate meaningful representations of circuits. Then the downstream predictor
is trained on a small number of quantum circuits' representations and their
labels. Once the encoder is trained, it can apply to different downstream
tasks. In order to better encode the spatial topology information and avoid the
huge dimension of feature vectors for large-scale quantum circuits, we design a
scheme to encode quantum circuits as graphs. Simulation results on searching
circuit structures for variational quantum eigensolver and quantum state
classification show that GSQAS outperforms the state-of-the-art predictor-based
QAS, achieving better performance with fewer labeled circuits.
- Abstract（参考訳）: 量子アーキテクチャ探索(QAS)は、変分量子アルゴリズム(VQA)のための量子回路を設計するための有望なアプローチである。
しかし、既存の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り、これにより、大規模量子回路への応用を計算的に要求し制限する。
近年、予測器に基づくQASは、ラベル付き量子回路のセットでトレーニングされた予測器を用いて、その構造に応じて回路の性能を直接推定することでこの問題を軽減するために提案されている。
しかし、この予測器は純粋に教師付き学習によって訓練され、ラベル付きトレーニング回路が不足すると一般化能力が低下する。
量子回路のゲートパラメータを収束するまで最適化する必要があるため、多数のラベル付き量子回路を得るのは非常に時間がかかる。
これらの制限を克服するために,自己教師付き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。
具体的には,よく設計されたプリテキストタスクを用いて,多数のラベルなし量子回路上でグラフエンコーダを事前学習し,有意義な回路表現を生成する。
その後、下流予測器は少数の量子回路の表現とそのラベルに基づいて訓練される。
エンコーダがトレーニングされると、さまざまなダウンストリームタスクに適用される。
空間トポロジ情報をより良くエンコードし、大規模量子回路の特徴ベクトルの巨大な次元を避けるために、量子回路をグラフとしてエンコードするスキームを設計する。
変分量子固有ソルバと量子状態分類の回路構造を探索するシミュレーションの結果、gsqasは最先端の予測器ベースのqasよりも優れており、ラベル付き回路の少ない性能を実現している。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - 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 Architecture Search with Unsupervised Representation Learning [24.698519892763283]
教師なし表現学習は量子アーキテクチャ探索(QAS)を前進させる新しい機会を提供する
QASは変分量子アルゴリズム(VQA)のための量子回路を最適化するように設計されている
論文 参考訳（メタデータ） (2024-01-21T19:53:17Z) - 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) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design [0.0]
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。
論文 参考訳（メタデータ） (2022-11-05T22:16:10Z) - 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) - Variational quantum compiling with double Q-learning [0.37798600249187286]
強化学習(RL)に基づく変分量子コンパイル(VQC)アルゴリズムを提案する。
エージェントは、ネイティブゲートアルファベットとそれらが行う量子ビットから、二重Q学習によって順次量子ゲートを選択するように訓練される。
NISQデバイスのデコヒーレンスプロセスとゲートノイズによる量子アルゴリズムのエラーを減らすことができます。
論文 参考訳（メタデータ） (2021-03-22T06:46:35Z) - Quantum walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。
提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文 参考訳（メタデータ） (2020-12-28T18:04:16Z) - 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) - 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)
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。