論文の概要: Predicting Expressibility of Parameterized Quantum Circuits using Graph
Neural Network
- arxiv url: http://arxiv.org/abs/2309.06975v1
- Date: Wed, 13 Sep 2023 14:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 14:00:21.083133
- Title: Predicting Expressibility of Parameterized Quantum Circuits using Graph
Neural Network
- Title(参考訳): グラフニューラルネットワークを用いたパラメータ化量子回路の予測可能性
- Authors: Shamminuj Aktar, Andreas B\"artschi, Abdel-Hameed A. Badawy, Diane
Oyen, Stephan Eidenbenz
- Abstract要約: 量子回路(PQC)の表現性を予測するためのグラフニューラルネットワーク(GNN)に基づく新しい手法を提案する。
グラフに基づくPQC表現を活用することで、GNNベースのモデルは、回路パラメータと結果の表現性の間の複雑な関係をキャプチャする。
4千個のランダムPQCデータセットとIBM Qiskitのハードウェア効率の良いアンサッツセットの実験評価により、我々のアプローチの優れた性能を示す。
- 参考スコア(独自算出の注目度): 5.444441239596186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parameterized Quantum Circuits (PQCs) are essential to quantum machine
learning and optimization algorithms. The expressibility of PQCs, which
measures their ability to represent a wide range of quantum states, is a
critical factor influencing their efficacy in solving quantum problems.
However, the existing technique for computing expressibility relies on
statistically estimating it through classical simulations, which requires many
samples. In this work, we propose a novel method based on Graph Neural Networks
(GNNs) for predicting the expressibility of PQCs. By leveraging the graph-based
representation of PQCs, our GNN-based model captures intricate relationships
between circuit parameters and their resulting expressibility. We train the GNN
model on a comprehensive dataset of PQCs annotated with their expressibility
values. Experimental evaluation on a four thousand random PQC dataset and IBM
Qiskit's hardware efficient ansatz sets demonstrates the superior performance
of our approach, achieving a root mean square error (RMSE) of 0.03 and 0.06,
respectively.
- Abstract(参考訳): 量子化量子回路(PQC)は、量子機械学習と最適化アルゴリズムに不可欠である。
幅広い量子状態を表現する能力を測定するPQCの表現性は、量子問題を解く上での有効性に影響を与える重要な要因である。
しかし、既存の表現可能性の計算手法は、多くのサンプルを必要とする古典的なシミュレーションを通して統計的に推定することに依存している。
本研究では,PQCの表現性を予測するためのグラフニューラルネットワーク(GNN)に基づく新しい手法を提案する。
グラフに基づくPQC表現を活用することで、GNNベースのモデルは、回路パラメータと結果の表現性の間の複雑な関係をキャプチャする。
我々は、GNNモデルを、その表現可能性値に注釈を付けたPQCの包括的データセットに基づいて訓練する。
4 万個のランダム PQC データセットと IBM Qiskit のハードウェア効率の良いアンサッツセットの実験的評価は, それぞれ 0.03 と 0.06 のルート平均二乗誤差(RMSE)を達成し, 提案手法の優れた性能を示す。
関連論文リスト
- Provable Advantage of Parameterized Quantum Circuit in Function
Approximation [17.286013304279013]
機能近似のレンズを用いてPQCの表現性を分析する。
提案したPQCを高次元滑らかな関数の近似におけるほぼ最適な深部ニューラルネットワークと比較する。
論文 参考訳(メタデータ) (2023-10-11T14:29:11Z) - Expressibility-Enhancing Strategies for Quantum Neural Networks [0.0]
入力データを予測にマップするために、量子ニューラルネットワーク(QNN)をトレーニングすることができる。
多くの研究はQNNの表現力を理論的に分析することに重点を置いている。
本稿では,QNNに対する4つの表現可能性向上戦略を提案する。
論文 参考訳(メタデータ) (2022-11-23T02:51:27Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Evaluation of Parameterized Quantum Circuits with Cross-Resonance
Pulse-Driven Entanglers [0.27998963147546146]
変分量子アルゴリズム(VQA)は、ノイズの多い量子デバイスに非常に適したアルゴリズムの強力なクラスとして登場した。
これまでの研究では、VQAに対して有効なパラメタライズド量子回路(PQC)やアンサッツを選択することが、その全体的な性能に欠かせないことが示されている。
本稿では、量子マシンへのパルスレベルアクセスと2量子ビット相互作用の理解を利用して、2量子ビットエンタングルの設計を最適化する。
論文 参考訳(メタデータ) (2022-11-01T09:46:34Z) - 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) - Power and limitations of single-qubit native quantum neural networks [5.526775342940154]
量子ニューラルネットワーク(QNN)は、機械学習、化学、最適化の応用を確立するための主要な戦略として登場した。
量子ニューラルネットワークのデータ再アップロードの表現能力に関する理論的枠組みを定式化する。
論文 参考訳(メタデータ) (2022-05-16T17:58:27Z) - qLEET: Visualizing Loss Landscapes, Expressibility, Entangling Power and
Training Trajectories for Parameterized Quantum Circuits [0.0]
qLEETは、パラメータ化量子回路(PQC)を研究するためのオープンソースのPythonパッケージである。
PQCの表現可能性や絡み合う力などの特性の計算を可能にする。
Qiskit、Cirq、Pyquilといった一般的な量子コンピューティングライブラリを使って構築された量子回路とノイズモデルをサポートする。
論文 参考訳(メタデータ) (2022-05-04T14:47:23Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳(メタデータ) (2021-03-15T17:38:33Z) - A Statistical Framework for Low-bitwidth Training of Deep Neural
Networks [70.77754244060384]
フル量子化トレーニング(FQT)は、ニューラルネットワークモデルのアクティベーション、重み、勾配を定量化することで、低ビット幅のハードウェアを使用する。
FQTの最大の課題は、特に勾配量子化が収束特性にどのように影響するかという理論的な理解の欠如である。
論文 参考訳(メタデータ) (2020-10-27T13:57:33Z) - 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。