論文の概要: Experimental implementation of quantum greedy optimization on quantum computer

• arxiv url: http://arxiv.org/abs/2306.08181v1
• Date: Wed, 14 Jun 2023 00:29:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:55:39.450425
• Title: Experimental implementation of quantum greedy optimization on quantum computer
• Title（参考訳）: 量子コンピュータにおける量子グリード最適化の実験的実装
• Authors: Tadayoshi Matsumori, Tadashi Kadowaki
• Abstract要約: 本稿では、時間進化の離散化(d-QGO)に基づく量子グリーディ最適化アルゴリズムを提案する。 我々は、d-QGOが成功確率を維持しながら感度を決定するために必要なショット数を減少させることを示した。
• 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: This paper implements a quantum greedy optimization algorithm based on the discretization of time evolution (d-QGO). Quantum greedy optimization, which was originally developed for reducing processing time via counterdiabatic driving, sequentially selects a parameter in the counterdiabatic term from the sensitivity analysis of energy and then determines the parameter value. For implementing d-QGO on a quantum computer, the sensitivity analysis may become a bottleneck to find the ground state in a short time due to device and shot noise. In this paper, we present an improved sensitivity analysis for d-QGO that employs a sufficiently large differential interval. We demonstrate that d-QGO reduces the number of shots required to determine the sensitivity while maintaining the success probability.
• Abstract（参考訳）: 本稿では,時間進化の離散化(d-QGO)に基づく量子グリード最適化アルゴリズムを提案する。 もともと、反断熱駆動による処理時間を短縮するために開発された量子グリード最適化は、エネルギーの感度解析から反断熱項のパラメータを順次選択し、パラメータ値を決定する。 量子コンピュータにd-QGOを実装する場合、感度解析はデバイスやショットノイズにより短時間で基底状態を見つけるためにボトルネックとなる可能性がある。 本稿では,d-qgoに対して十分に大きな差分間隔を用いた感度解析法を提案する。 d-qgoは、成功確率を維持しながら感度を決定するのに必要なショット数を減少させる。

関連論文リスト

• NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
  近年、量子コンピューティングの分野は大幅に成熟している。 NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。 我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
  論文  参考訳（メタデータ） (2024-11-23T23:09:22Z)
• Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm [47.47843839099175]
  近年,変分量子回路の最適化のためのQNGアルゴリズムが提案されている。 本研究では、この離散時間解が一般化形式を与えることを示すために、QNG力を持つランゲヴィン方程式を用いる。
  論文  参考訳（メタデータ） (2024-09-03T15:21:16Z)
• Compressed-sensing Lindbladian quantum tomography with trapped ions [44.99833362998488]
  量子システムの力学を特徴づけることは、量子情報プロセッサの開発における中心的な課題である。 従来の欠点を緩和するLindbladian quantum tomography(LQT)の2つの改良点を提案する。
  論文  参考訳（メタデータ） (2024-03-12T09:58:37Z)
• Optimal Generators for Quantum Sensing [0.0]
  与えられた量子状態を用いた最大感度は、量子フィッシャー情報行列(QFIM)の最大固有値によって決定されることを示す。 状態準備プロトコルに焦点をあてるのではなくパラメータ符号化のプロセスを最適化するため、我々の手法はあらゆる量子センサに関係している。
  論文  参考訳（メタデータ） (2023-05-24T20:42:38Z)
• End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
  問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。 アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
  論文  参考訳（メタデータ） (2022-11-22T18:54:48Z)
• Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
  マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。 これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。 本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-02-17T18:59:20Z)
• Multistate Transition Dynamics by Strong Time-Dependent Perturbation in NISQ era [0.0]
  我々は,McLachlan変分原理をハイブリッド量子古典アルゴリズムに応用した量子計算手法を開発した。 ベンチマークデータと比較すると、遷移確率は1%以上の精度で得られる。
  論文  参考訳（メタデータ） (2021-12-13T00:49:15Z)
• Quantum annealing initialization of the quantum approximate optimization algorithm [0.0]
  量子近似最適化アルゴリズム(QAOA)は、近い将来の量子アルゴリズムである。 QAOAで必要とされる外部パラメータの最適化は、パフォーマンスのボトルネックになる可能性がある。 本研究では、ランダムグラフ上のMaxCut問題に適用されたQAOAの最適化景観を可視化する。
  論文  参考訳（メタデータ） (2021-01-14T17:45:13Z)
• An optimal quantum sampling regression algorithm for variational eigensolving in the low qubit number regime [0.0]
  量子サンプリング回帰(QSR)は、代替の量子古典的アルゴリズムである。 低量子ビット数構造における時間的複雑さに基づいて,その利用事例を分析した。 ベンチマーク問題に対するアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2020-12-04T00:01:15Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)

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。