論文の概要: Quantum Fourier Iterative Amplitude Estimation
- arxiv url: http://arxiv.org/abs/2305.01686v1
- Date: Tue, 2 May 2023 18:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 17:10:01.065474
- Title: Quantum Fourier Iterative Amplitude Estimation
- Title（参考訳）: 量子フーリエ反復振幅推定
- Authors: Jorge J. Mart\'inez de Lejarza, Michele Grossi, Leandro Cieri and
Germ\'an Rodrigo
- Abstract要約: 我々はモンテカルロ積分を推定するための新しいツールを構築するために量子フーリエ反復振幅推定(QFIAE)を提案する。
QFIAEはパラメタライズド量子回路(PQC)と量子ニューラルネットワーク(QNN)を用いてターゲット関数をフーリエ級数に分解する
そこで本研究では,実ハードウェア上での実行に適した精度で,QFIAEが同等の精度を実現することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monte Carlo integration is a widely used numerical method for approximating
integrals, which is often computationally expensive. In recent years, quantum
computing has shown promise for speeding up Monte Carlo integration, and
several quantum algorithms have been proposed to achieve this goal. In this
paper, we present an application of Quantum Machine Learning (QML) and Grover's
amplification algorithm to build a new tool for estimating Monte Carlo
integrals. Our method, which we call Quantum Fourier Iterative Amplitude
Estimation (QFIAE), decomposes the target function into its Fourier series
using a Parametrized Quantum Circuit (PQC), specifically a Quantum Neural
Network (QNN), and then integrates each trigonometric component using Iterative
Quantum Amplitude Estimation (IQAE). This approach builds on Fourier Quantum
Monte Carlo Integration (FQMCI) method, which also decomposes the target
function into its Fourier series, but QFIAE avoids the need for numerical
integration of Fourier coefficients. This approach reduces the computational
load while maintaining the quadratic speedup achieved by IQAE. To evaluate the
performance of QFIAE, we apply it to a test function that corresponds with a
particle physics scattering process and compare its accuracy with other quantum
integration methods and the analytic result. Our results show that QFIAE
achieves comparable accuracy while being suitable for execution on real
hardware. We also demonstrate how the accuracy of QFIAE improves by increasing
the number of terms in the Fourier series. In conclusion, QFIAE is a promising
end-to-end quantum algorithm for Monte Carlo integrals that combines the power
of PQC with Fourier analysis and IQAE to offer a new approach for efficiently
approximating integrals with high accuracy.
- Abstract（参考訳）: モンテカルロ積分(モンテカルロせき、montal carlo integration)は、計算コストが高い積分の近似法である。
近年、量子コンピューティングはモンテカルロ積分の高速化を約束しており、この目標を達成するためにいくつかの量子アルゴリズムが提案されている。
本稿では,モンテカルロ積分を推定するための新しいツールを構築するために,量子機械学習(QML)とGroverの増幅アルゴリズムの適用について述べる。
我々は、量子フーリエ反復振幅推定(QFIAE)と呼び、パラメタライズド量子回路(PQC)、特に量子ニューラルネットワーク(QNN)を用いてターゲット関数をフーリエ級数に分解し、反復量子振幅推定(IQAE)を用いて各三角成分を統合する。
このアプローチはフーリエ量子モンテカルロ積分(FQMCI)法に基づいており、ターゲット関数をフーリエ級数に分解するが、QFIAEはフーリエ係数の数値積分を避ける。
このアプローチはIQAEが達成した2次スピードアップを維持しながら計算負荷を削減する。
QFIAEの性能を評価するために、粒子物理学散乱法に対応するテスト関数に適用し、その精度を他の量子積分法や解析結果と比較する。
この結果から,QFIAEは実ハードウェア上での実行に適した精度を実現していることがわかった。
また、フーリエ級数における項数を増やすことにより、QFIAEの精度が向上することを示す。
結論として、qfiae はモンテカルロ積分のエンドツーエンド量子アルゴリズムであり、pqc のパワーとフーリエ解析と iqae を組み合わせて、高精度に積分を近似する新しいアプローチを提供する。
関連論文リスト
- Efficient charge-preserving excited state preparation with variational quantum algorithms [33.03471460050495]
本稿では、対称性と対応する保存電荷をVQDフレームワークに組み込むために設計された電荷保存型VQD(CPVQD)アルゴリズムを紹介する。
その結果、高エネルギー物理学、核物理学、量子化学への応用が示された。
論文 参考訳（メタデータ） (2024-10-18T10:30:14Z) - Quantum Monte Carlo Integration for Simulation-Based Optimisation [34.96100129498306]
シミュレーションに基づく最適化問題のサブルーチンとして量子アルゴリズムを統合する可能性について検討する。
量子モンテカルロ積分の定式化に起因した全ての系統的誤差を徹底的に解析する。
基本的金融ユースケースに対する量子モンテカルロ積分の適用性について検討する。
論文 参考訳（メタデータ） (2024-10-04T21:05:32Z) - Utilizing Quantum Processor for the Analysis of Strongly Correlated Materials [34.63047229430798]
本研究では,従来の量子クラスター法を量子回路モデルに適用することにより,強い相関関係を解析するための体系的アプローチを提案する。
我々は、クラスタのグリーン関数を計算するためのより簡潔な公式を開発し、複雑な演算ではなく、量子回路上の実数計算のみを必要とする。
論文 参考訳（メタデータ） (2024-04-03T06:53:48Z) - Loop Feynman integration on a quantum computer [0.0]
近い将来の量子コンピュータと量子シミュレータにおけるファインマン積分の最初の時間ループを数値的に評価する。
QFIAEは、多次元積分を効率的にフーリエ級数に分解する量子ニューラルネットワーク(QNN)を導入している。
論文 参考訳（メタデータ） (2024-01-05T19:00:04Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the
Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。
我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文 参考訳（メタデータ） (2023-07-06T17:54:08Z) - Quantum Adversarial Learning in Emulation of Monte-Carlo Methods for
Max-cut Approximation: QAOA is not optimal [0.0]
変分量子アニーリングと量子近似最適化(QAOA)にエミュレーションの概念を適用する。
我々の変分量子アニーリングスケジュールは、同じ物理成分を用いて、QAOAと同様の勾配のない方法で最適化できる新しいパラメータ化に基づいている。
アンス・アッツ型の性能を比較するため,モンテカルロ法の統計的概念を考案した。
論文 参考訳（メタデータ） (2022-11-24T19:02:50Z) - 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) - Gibbs Sampling of Continuous Potentials on a Quantum Computer [0.0]
周期的実数値関数からギブスをサンプリングする量子アルゴリズムを構築した。
我々のアルゴリズムは、関数の量子オラクルに対するゼロエスオーダークエリを生成する。
論文 参考訳（メタデータ） (2022-10-14T20:56:44Z) - Variational Quantum Continuous Optimization: a Cornerstone of Quantum
Mathematical Analysis [0.0]
量子コンピュータが連続領域を持つ関数の数学的解析計算をどのように扱えるかを示す。
提案手法の基本構成ブロックは変分量子回路であり、各量子ビットは最大3つの連続変数を符号化する。
この符号化と量子状態トモグラフィーを組み合わせることで、$n$ qubitsの変動量子回路は、最大3n$連続変数の関数を最適化することができる。
論文 参考訳（メタデータ） (2022-10-06T18:00:04Z) - Quantum Speedup of Monte Carlo Integration with respect to the Number of
Dimensions and its Application to Finance [0.0]
モンテカルロ積分において、多くの乱数は積分の計算に使用される。
本稿では,ネストしたQAEと擬似乱数の組み合わせにより,このような繰り返し操作の数を削減できることを指摘する。
我々は、金融におけるこの手法の1つのユースケース、信用ポートフォリオのリスク測定、複雑さの程度を見積もる。
論文 参考訳（メタデータ） (2020-11-04T07:40:20Z)
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。