論文の概要: Quantum Circuit Fidelity Improvement with Long Short-Term Memory Networks

• arxiv url: http://arxiv.org/abs/2303.17523v2
• Date: Tue, 9 May 2023 12:17:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 15:49:41.889229
• 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: NISQコンピュータは,従来の計算では実現不可能な多くのタスクを高速化する上で,大きな可能性を秘めている。 重要な理由のひとつは、量子ハードウェアの脆弱な性質にある。 量子回路(QC)の構成要素として、量子ゲートと量子ビットは外部干渉の影響を受けやすい。
• 参考スコア（独自算出の注目度）: 1.2461503242570644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although NISQ computers show great promise in accelerating many tasks that are not practically possible using classical computation, useful quantum computing is still a long way off. One important reason is due to the fragile nature of quantum hardware. As the building blocks of a quantum circuit (QC), quantum gates and qubits are susceptible to external interference, and therefore even a simple QC can produce extremely noisy output. Since it is hard to distinguish whether the output represents meaningful computation or just random noise, it raises the question of how much we can rely on the output of a QC, i.e., the fidelity of the QC. In this paper, we purpose a simple yet intuitive metric to measure the fidelity of a QC. By using this metric, we can observe the evolution of fidelity with time as the QC interacts with its external environment. Consequently, we can frame fidelity prediction as a Time Series Forecasting problem and use Long Short-Term Memory (LSTM) neural networks to better estimate the fidelity of a QC. This gives the user better opportunities to optimize the mapping of qubits into the quantum hardware for larger gains. We introduce the LSTM architecture and present a complete workflow to build the training circuit dataset. The trained LSTM system, Q-fid, can predict the output fidelity of a QC running on a specific quantum 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）: nisqコンピュータは、古典的な計算では事実上不可能である多くのタスクを加速する大きな可能性を秘めているが、有用な量子コンピューティングはまだ長い道のりである。 重要な理由の一つは、量子ハードウェアの脆弱さにある。 量子回路(QC)の構成要素として、量子ゲートと量子ビットは外部干渉の影響を受けやすいため、単純なQCでも非常にノイズの多い出力が得られる。 出力が意味のある計算を表すのか、あるいは単にランダムノイズを表すのかを区別することは困難であるため、QCの出力にどの程度依存できるか、すなわちQCの忠実さを疑問視する。 本稿では,qcの忠実度を測定するために,単純かつ直感的な測定を行う。 この計量を用いて、QCが外部環境と相互作用するときに時間とともに忠実さの進化を観察することができる。 これにより、時系列予測問題として忠実度予測をフレーム化し、長期短期記憶(lstm)ニューラルネットワークを用いてqcの忠実度を推定することができる。 これにより、量子ビットの量子ハードウェアへのマッピングを最適化し、より大きなゲインを得られる。 LSTMアーキテクチャを導入し、トレーニング回路データセットを構築するための完全なワークフローを示す。 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々に入力することなく、特定の量子プロセッサ上で動作するQC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 [32.89844497610906]
  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。