論文の概要: Trainability Analysis of Quantum Optimization Algorithms from a Bayesian
Lens
- arxiv url: http://arxiv.org/abs/2310.06270v1
- Date: Tue, 10 Oct 2023 02:56:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 20:56:53.900790
- Title: Trainability Analysis of Quantum Optimization Algorithms from a Bayesian
Lens
- Title(参考訳): ベイズレンズを用いた量子最適化アルゴリズムのトレーサビリティ解析
- Authors: Yanqi Song, Yusen Wu, Sujuan Qin, Qiaoyan Wen, Jingbo B. Wang, Fei Gao
- Abstract要約: 雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。
この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
- 参考スコア(独自算出の注目度): 2.9356265132808024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Quantum Approximate Optimization Algorithm (QAOA) is an extensively
studied variational quantum algorithm utilized for solving optimization
problems on near-term quantum devices. A significant focus is placed on
determining the effectiveness of training the $n$-qubit QAOA circuit, i.e.,
whether the optimization error can converge to a constant level as the number
of optimization iterations scales polynomially with the number of qubits. In
realistic scenarios, the landscape of the corresponding QAOA objective function
is generally non-convex and contains numerous local optima. In this work,
motivated by the favorable performance of Bayesian optimization in handling
non-convex functions, we theoretically investigate the trainability of the QAOA
circuit through the lens of the Bayesian approach. This lens considers the
corresponding QAOA objective function as a sample drawn from a specific
Gaussian process. Specifically, we focus on two scenarios: the noiseless QAOA
circuit and the noisy QAOA circuit subjected to local Pauli channels. Our first
result demonstrates that the noiseless QAOA circuit with a depth of
$\tilde{\mathcal{O}}\left(\sqrt{\log n}\right)$ can be trained efficiently,
based on the widely accepted assumption that either the left or right slice of
each block in the circuit forms a local 1-design. Furthermore, we show that if
each quantum gate is affected by a $q$-strength local Pauli channel with the
noise strength range of $1/{\rm poly} (n)$ to 0.1, the noisy QAOA circuit with
a depth of $\mathcal{O}\left(\log n/\log(1/q)\right)$ can also be trained
efficiently. Our results offer valuable insights into the theoretical
performance of quantum optimization algorithms in the noisy intermediate-scale
quantum era.
- Abstract(参考訳): 量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、近距離量子デバイスにおける最適化問題の解法として広く研究されている変分量子アルゴリズムである。
n$-qubit QAOA回路のトレーニングの有効性、すなわち最適化繰り返しの回数がキュービットの数と多項式的にスケールするにつれて、最適化誤差が一定レベルに収束するかどうかを判断することに注力する。
現実的なシナリオでは、対応するQAOA目的関数のランドスケープは一般に非凸であり、多くの局所最適化を含んでいる。
本研究では,非凸関数の処理におけるベイズ最適化の性能向上を動機として,ベイズ方式のレンズによるQAOA回路のトレーニング性について理論的に検討する。
このレンズは、対応するQAOA目的関数を、特定のガウス過程から引き出されたサンプルと考える。
具体的には、雑音のないQAOA回路と、局所的なパウリチャネルの雑音の多いQAOA回路の2つのシナリオに焦点を当てる。
最初の結果は、回路内の各ブロックの左または右スライスが局所1設計を形成するという広く受け入れられている仮定に基づいて、$\tilde{\mathcal{o}}\left(\sqrt{\log n}\right)$のノイズのないqaoa回路を効率的に訓練できることを示しています。
さらに、各量子ゲートが1/{\rm poly} (n)$から0.1の雑音強度範囲を持つ$q$の局所パウリチャネルの影響を受けている場合、深さが$\mathcal{O}\left(\log n/\log(1/q)\right)$のノイズQAOA回路も効率的に訓練可能であることを示す。
本研究は,中間スケール量子時代における量子最適化アルゴリズムの理論的性能に関する貴重な知見を提供する。
関連論文リスト
- Quantum Approximate Optimization Algorithm with Cat Qubits [0.0]
猫の量子ビットを用いたQAOAを用いてMaxCut問題の解法を数値シミュレーションする。
猫の量子ビットを用いたQAOAの実行は、2レベルシステムに符号化された量子ビットに対して、MaxCutのランダムなインスタンスに対する近似比を増大させることを示す。
論文 参考訳(メタデータ) (2023-05-09T15:44:52Z) - Bayesian Optimization for QAOA [0.0]
量子回路を最適化するためのベイズ最適化手法を提案する。
提案手法により,量子回路の呼び出し回数を大幅に削減できることを示す。
提案手法は,ノイズの多い中間規模量子デバイス上でのQAOAのハイブリッド特性を活用するための,有望なフレームワークであることが示唆された。
論文 参考訳(メタデータ) (2022-09-08T13:59:47Z) - Quantum Goemans-Williamson Algorithm with the Hadamard Test and
Approximate Amplitude Constraints [62.72309460291971]
本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。
補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。
各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
論文 参考訳(メタデータ) (2022-06-30T03:15:23Z) - Unsupervised strategies for identifying optimal parameters in Quantum
Approximate Optimization Algorithm [3.508346077709686]
最適化なしでパラメータを設定するための教師なし機械学習手法について検討する。
繰り返しに使用するQAOAパラメータの数が3ドルに制限された場合、これらをRecursive-QAOAで3ドルまで紹介します。
我々は、アングルを広範囲に最適化し、多数のサーキットコールを省く場合と同じような性能を得る。
論文 参考訳(メタデータ) (2022-02-18T19:55:42Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳(メタデータ) (2022-01-06T21:02:30Z) - Efficient Classical Computation of Quantum Mean Values for Shallow QAOA
Circuits [15.279642278652654]
浅いQAOA回路の量子ビット数と線形にスケールするグラフ分解に基づく古典的アルゴリズムを提案する。
我々の結果は、QAOAによる量子アドバンテージの探索だけでなく、NISQプロセッサのベンチマークにも有用である。
論文 参考訳(メタデータ) (2021-12-21T12:41:31Z) - A loop Quantum Approximate Optimization Algorithm with Hamiltonian
updating [0.0]
本稿では,ループQAOAと呼ばれる非常に浅い回路を持つ量子近似最適化アルゴリズムを提案する。
浅い回路からの出力をバイアスとして活用する洞察は他の量子アルゴリズムにも応用できる。
論文 参考訳(メタデータ) (2021-09-23T12:55:51Z) - Quantum Approximate Optimization Algorithm Based Maximum Likelihood
Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文 参考訳(メタデータ) (2021-07-11T10:56:24Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳(メタデータ) (2021-06-24T20:16:02Z) - Accelerating variational quantum algorithms with multiple quantum
processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。
現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。
ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文 参考訳(メタデータ) (2021-06-24T08:18:42Z) - 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)
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。