論文の概要: Quantum Circuit Fidelity Improvement with Long Short-Term Memory
Networks
- arxiv url: http://arxiv.org/abs/2303.17523v1
- Date: Thu, 30 Mar 2023 16:44:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 12:41:47.954872
- Title: Quantum Circuit Fidelity Improvement with Long Short-Term Memory
Networks
- Title(参考訳): 長期記憶ネットワークを用いた量子回路の忠実度向上
- Authors: Yikai Mao, Shaswot Shresthamali, Masaaki Kondo
- Abstract要約: 量子コンピューティングは、NISQ(Noisy Intermediate-Scale Quantum)時代に入った。
現在、私たちが持っている量子プロセッサは、放射や温度といった環境変数に敏感であり、ノイズの多い出力を生み出している。
本稿では、時系列予測問題として量子回路の忠実度予測をフレーミングすることで、この問題に対処する新しい手法を提案する。
- 参考スコア(独自算出の注目度): 1.2461503242570644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing has entered the Noisy Intermediate-Scale Quantum (NISQ)
era. Currently, the quantum processors we have are sensitive to environmental
variables like radiation and temperature, thus producing noisy outputs.
Although many proposed algorithms and applications exist for NISQ processors,
we still face uncertainties when interpreting their noisy results.
Specifically, how much confidence do we have in the quantum states we are
picking as the output? This confidence is important since a NISQ computer will
output a probability distribution of its qubit measurements, and it is
sometimes hard to distinguish whether the distribution represents meaningful
computation or just random noise. This paper presents a novel approach to
attack this problem by framing quantum circuit fidelity prediction as a Time
Series Forecasting problem, therefore making it possible to utilize the power
of Long Short-Term Memory (LSTM) neural networks. A complete workflow to build
the training circuit dataset and LSTM architecture is introduced, including an
intuitive method of calculating the quantum circuit fidelity. The trained LSTM
system, Q-fid, can predict the output fidelity of a quantum circuit running on
a specific processor, without the need for any separate input of hardware
calibration data or gate error rates. Evaluated on the QASMbench NISQ benchmark
suite, Q-fid's prediction achieves an average RMSE of 0.0515, up to 24.7x more
accurate than the default Qiskit transpile tool mapomatic. When used to find
the high-fidelity circuit layouts from the available circuit transpilations,
Q-fid predicts the fidelity for the top 10% layouts with an average RMSE of
0.0252, up to 32.8x more accurate than mapomatic.
- Abstract(参考訳): 量子コンピューティングは、NISQ(Noisy Intermediate-Scale Quantum)時代に入った。
現在、我々が持っている量子プロセッサは、放射や温度などの環境変数に敏感であり、ノイズが発生する。
NISQプロセッサには多くのアルゴリズムや応用が提案されているが、ノイズのある結果を解釈する際にはまだ不確実性に直面している。
具体的には、出力として選択する量子状態において、どの程度の信頼性があるのか?
nisqコンピュータは量子ビットの測定値の確率分布を出力し、分布が意味のある計算を表すのか、ただのランダムノイズであるのかを区別するのは難しいため、この信頼度は重要である。
本稿では,この問題を時系列予測問題として量子回路忠実性予測をフレームすることにより,lstm(long short-term memory)ニューラルネットワークのパワーを活用できる新しい手法を提案する。
トレーニング回路データセットとlstmアーキテクチャを構築するための完全なワークフローが紹介されており、量子回路の忠実度を計算する直感的な方法も含まれている。
トレーニングされたLSTMシステムであるQ-fidは、ハードウェアキャリブレーションデータやゲートエラー率を別途入力することなく、特定のプロセッサ上で動作する量子回路の出力忠実度を予測することができる。
Q-fid の予測は QASMbench NISQ ベンチマークスイートで評価され、平均 RMSE は 0.0515 であり、デフォルトの Qiskit トランスパイルツールのマップマティックよりも 24.7 倍正確である。
利用可能な回路トランスパイルから高忠実度回路レイアウトを見つけるために、q-fidは上位10%のレイアウトの忠実度を平均0.0252、最大32.8倍の精度で予測する。
関連論文リスト
- Quantum Data Centers in the Presence of Noise [0.0]
シングルプロセッサのモノリシック量子コンピュータは、クロストークの増加と、キュービット数が増加するとゲートの実装が困難になる。
QDCでは、複数の量子処理ユニット(QPU)が短距離で連結され、任意のプロセッサ上のキュービット数を増やすことなく計算キュービットの総数を増やすことができる。
これにより、各QPUの操作で発生するエラーを小さく抑えることができるが、QPU間の絡み合い分布中に発生する遅延コストとエラーのために、システムに追加のノイズを加えることができる。
論文 参考訳(メタデータ) (2024-07-15T14:50:20Z) - 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) - Learning Quantum Phase Estimation by Variational Quantum Circuits [0.9208007322096533]
我々は,量子位相推定回路の深さを低減するために,変分量子回路(VQC)近似を開発した。
実験により,VQCは回路ノイズを低減し,実ハードウェア上でのノイズQPEと標準QPEの両方に優れた性能を示した。
この量子コンパイラへのVQCの統合は、ディープ回路を持つ量子アルゴリズムに大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-11-08T13:57:24Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳(メタデータ) (2023-08-25T15:08:19Z) - 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) - QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [26.963991539714236]
TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。
本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。
回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
論文 参考訳(メタデータ) (2022-10-30T02:35:31Z) - Deterministic and random features for large-scale quantum kernel machine [0.9404723842159504]
提案した決定論的およびランダムな特徴を用いて量子カーネル法(QKM)をスケーラブルにすることができることを示す。
O(1,000) sim O(10,000)$トレーニングデータを含むデータセットを用いた数値実験は,本手法の有効性を裏付けるものである。
論文 参考訳(メタデータ) (2022-09-05T13:22:34Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳(メタデータ) (2022-07-14T12:22:51Z) - Quantum Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳(メタデータ) (2022-04-04T21:16:06Z) - 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) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。