論文の概要: Learning a quantum computer's capability

• arxiv url: http://arxiv.org/abs/2304.10650v2
• Date: Wed, 23 Oct 2024 16:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:53:22.716586
• Title: Learning a quantum computer's capability
• Title（参考訳）: 量子コンピュータの能力を学ぶ
• Authors: Daniel Hothem, Kevin Young, Tommie Catanach, Timothy Proctor,
• Abstract要約: 本稿では,量子コンピュータの能力のスケーラブルな予測モデルを効率的に構築するハードウェアに依存しない手法を提案する。 我々のCNNベースのアプローチは、回路を3次元テンソルとして効率的に表現し、CNNを用いてその成功率を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurately predicting a quantum computer's capability -- which circuits it can run and how well it can run them -- is a foundational goal of quantum characterization and benchmarking. As modern quantum computers become increasingly hard to simulate, we must develop accurate and scalable predictive capability models to help researchers and stakeholders decide which quantum computers to build and use. In this work, we propose a hardware-agnostic method to efficiently construct scalable predictive models of a quantum computer's capability for almost any class of circuits, and demonstrate our method using convolutional neural networks (CNNs). Our CNN-based approach works by efficiently representing a circuit as a three-dimensional tensor and then using a CNN to predict its success rate. Our CNN capability models obtain approximately a $1\%$ average absolute prediction error when modeling processors experiencing both Markovian and non-Markovian stochastic Pauli errors. We also apply our CNNs to model the capabilities of cloud-access quantum computing systems, obtaining moderate prediction accuracy (average absolute error around $2-5\%$), and we highlight the challenges to building better neural network capability models.
• Abstract（参考訳）: 量子コンピュータの能力 -- 実行可能な回路とその実行方法 -- を正確に予測することは、量子キャラクタリゼーションとベンチマークの基本的な目標である。 現代の量子コンピュータのシミュレートがますます困難になるにつれて、研究者や利害関係者がどの量子コンピュータを構築し、使用するかを決めるのに役立つ正確でスケーラブルな予測能力モデルを開発する必要がある。 本研究では,ほぼ任意の種類の回路に対して,量子コンピュータの能力のスケーラブルな予測モデルを効率的に構築するハードウェアに依存しない手法を提案し,畳み込みニューラルネットワーク(CNN)を用いて本手法を実証する。 我々のCNNベースのアプローチは、回路を3次元テンソルとして効率的に表現し、CNNを用いてその成功率を予測する。 我々のCNN能力モデルはマルコフ的および非マルコフ的両方の確率的パウリ誤差を経験するプロセッサをモデル化する際に平均1\%の絶対予測誤差を得る。 我々はまた、クラウドアクセス量子コンピューティングシステムの能力をモデル化するためにCNNを適用し、適度な予測精度(平均的な絶対誤差は約2〜5倍)を得るとともに、より優れたニューラルネットワーク能力モデルを構築する上での課題を強調します。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• What is my quantum computer good for? Quantum capability learning with physics-aware neural networks [0.0]
  本稿では,学習能力モデルのための量子物理学的ニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。 このアプローチは、実験データとシミュレーションデータの両方における平均絶対誤差を最大$sim50%$還元する。
  論文  参考訳（メタデータ） (2024-06-09T04:11:41Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Supervised learning of random quantum circuits via scalable neural networks [0.0]
  深部畳み込みニューラルネットワーク(CNN)は、単一キュービットと2キュービットの期待値を予測するために訓練されている。 CNNは、回路深度、ネットワーク深度、トレーニングセットサイズによって、量子デバイスよりも優れていることが多い。
  論文  参考訳（メタデータ） (2022-06-21T13:05:52Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• QFCNN: Quantum Fourier Convolutional Neural Network [4.344289435743451]
  量子フーリエ畳み込みネットワーク(Quantum Fourier Convolutional Network, QFCN)というハイブリッド量子古典回路を提案する。 提案モデルは,古典的CNNと比較して指数的な高速化を実現し,既存の量子CNNの最良の結果よりも向上する。 交通予測や画像分類など,さまざまなディープラーニングタスクに適用することで,このアーキテクチャの可能性を示す。
  論文  参考訳（メタデータ） (2021-06-19T04:37:39Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• A Tutorial on Quantum Convolutional Neural Networks (QCNN) [11.79760591464748]
  畳み込みニューラルネットワーク(CNN)はコンピュータビジョンにおいて一般的なモデルである。 CNNは、与えられたデータやモデルの次元が大きすぎる場合、効率的に学習するのは難しい。 量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Network, QCNN)は、量子コンピューティング環境を用いてCNNで解決する問題に対する新しい解決策を提供する。
  論文  参考訳（メタデータ） (2020-09-20T12:29:05Z)
• 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。