論文の概要: Neural network encoded variational quantum algorithms
- arxiv url: http://arxiv.org/abs/2308.01068v1
- Date: Wed, 2 Aug 2023 10:32:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 13:22:47.722228
- Title: Neural network encoded variational quantum algorithms
- Title（参考訳）: ニューラルネットワーク符号化変分量子アルゴリズム
- Authors: Jiaqi Miao, Chang-Yu Hsieh and Shi-Xin Zhang
- Abstract要約: ニューラルネットワーク(NN)符号化変分量子アルゴリズム(VQA)という一般的なフレームワークを導入する。
NN-VQAは与えられた問題からニューラルネットワークに入力(ハミルトンのパラメータなど)を供給し、その出力を使用して標準VQAのアンサッツ回路をパラメータ化する。
パラメータ化されたXXZスピンモデルの基底状態を解決するためのNN変分量子固有解器(VQE)について報告する。
- 参考スコア（独自算出の注目度）: 0.241710192205034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a general framework called neural network (NN) encoded
variational quantum algorithms (VQAs), or NN-VQA for short, to address the
challenges of implementing VQAs on noisy intermediate-scale quantum (NISQ)
computers. Specifically, NN-VQA feeds input (such as parameters of a
Hamiltonian) from a given problem to a neural network and uses its outputs to
parameterize an ansatz circuit for the standard VQA. Combining the strengths of
NN and parameterized quantum circuits, NN-VQA can dramatically accelerate the
training process of VQAs and handle a broad family of related problems with
varying input parameters with the pre-trained NN. To concretely illustrate the
merits of NN-VQA, we present results on NN-variational quantum eigensolver
(VQE) for solving the ground state of parameterized XXZ spin models. Our
results demonstrate that NN-VQE is able to estimate the ground-state energies
of parameterized Hamiltonians with high precision without fine-tuning, and
significantly reduce the overall training cost to estimate ground-state
properties across the phases of XXZ Hamiltonian. We also employ an
active-learning strategy to further increase the training efficiency while
maintaining prediction accuracy. These encouraging results demonstrate that
NN-VQAs offer a new hybrid quantum-classical paradigm to utilize NISQ resources
for solving more realistic and challenging computational problems.
- Abstract（参考訳）: 本稿では、雑音の多い中間規模量子(NISQ)コンピュータ上でVQAを実装する際の課題に対処するため、ニューラルネットワーク(NN)符号化変分量子アルゴリズム(VQA)または略してNN-VQAという一般的なフレームワークを導入する。
具体的には、NN-VQAは与えられた問題からニューラルネットワークに入力(ハミルトンのパラメータなど)を供給し、その出力を使用して標準VQAのアンサッツ回路をパラメータ化する。
NNとパラメータ化量子回路の強度を組み合わせることで、NN-VQAはVQAのトレーニングプロセスを劇的に加速し、事前訓練されたNNと異なる入力パラメータで幅広い問題に対処することができる。
NN-VQAの利点を具体的に説明するために,パラメータ化されたXXZスピンモデルの基底状態を解決するため,NN偏差量子固有解器(VQE)について報告する。
その結果、NN-VQEはパラメータ化ハミルトンの基底状態エネルギーを微調整なしで高精度に推定でき、XXZハミルトンの位相にわたって基底状態特性を推定するための総合的なトレーニングコストを大幅に削減できることを示した。
また,予測精度を維持しつつトレーニング効率を高めるために,アクティブラーニング戦略を採用している。
これらの奨励的な結果は、NN-VQAsが、より現実的で困難な計算問題を解くために、NISQリソースを利用するための新しいハイブリッド量子古典パラダイムを提供することを示している。
関連論文リスト
- Enhancing Variational Quantum Circuit Training: An Improved Neural Network Approach for Barren Plateau Mitigation [0.0]
変分量子アルゴリズム(VQA)は、短期量子コンピューティングにおいて最も有望なアルゴリズムの一つである。
コスト関数を最適化するために回路パラメータを反復的に更新する。
変分量子回路(VQCs)の訓練は、バレンプラトー(BPs)と呼ばれる現象の影響を受けやすい
論文 参考訳（メタデータ） (2024-11-14T06:43:37Z) - A joint optimization approach of parameterized quantum circuits with a
tensor network [0.0]
現在の中間スケール量子(NISQ)デバイスはその能力に制限がある。
本稿では,パラメータ化ネットワーク(TN)を用いて,変分量子固有解法(VQE)アルゴリズムの性能改善を試みる。
論文 参考訳（メタデータ） (2024-02-19T12:53:52Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - ResQNets: A Residual Approach for Mitigating Barren Plateaus in Quantum
Neural Networks [0.0]
量子ニューラルネットワーク(QNN)におけるバレンプラトー問題は、QNNの実践的な成功を妨げる重要な課題である。
本稿では、この問題に対処するための解として、残留量子ニューラルネットワーク(ResQNet)を導入する。
論文 参考訳（メタデータ） (2023-05-05T13:33:43Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳（メタデータ） (2022-08-30T08:17:55Z) - Theoretical Error Performance Analysis for Variational Quantum Circuit
Based Functional Regression [83.79664725059877]
本研究では,次元減少と機能回帰のためのエンドツーエンドの量子ニューラルネットワークであるTTN-VQCを提案する。
また,polyak-Lojasiewicz (PL) 条件を利用してTTN-VQCの最適化特性を特徴付ける。
論文 参考訳（メタデータ） (2022-06-08T06:54:07Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - 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。