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

• Analysis of Parameterized Quantum Circuits: on The Connection Between Expressibility and Types of Quantum Gates [2.527892855172764]
  等化量子回路(PQC)の表現性は重要な要素である 本稿では,PQC内の表現可能性と量子ゲートの型との関係を解析する。 分析の結果から,高表現能PQCの設計指針が得られた。
  論文  参考訳（メタデータ） (2024-08-02T06:20:36Z)
• Statistics-Informed Parameterized Quantum Circuit via Maximum Entropy Principle for Data Science and Finance [5.3518921884603]
  我々は最大エントロピー原理を用いて統計インフォームドパラメタライズド量子回路(SI-PQC)を設計する。 SI-PQCはトレーニング可能なパラメータを持つ静的構造を備えており、奥行き最適化回路のコンパイルを可能にする。 様々な量子アルゴリズムで準備と学習を行うための効率的なサブルーチンとして、SI-PQCは入力ボトルネックに対処する。
  論文  参考訳（メタデータ） (2024-06-03T14:00:38Z)
• Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation [5.074765131677166]
  本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。 我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
  論文  参考訳（メタデータ） (2024-05-13T18:26:55Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
  量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。 本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。 我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
  論文  参考訳（メタデータ） (2023-10-11T14:29:11Z)
• 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)
• 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)
• 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)
• 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)
• 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。