論文の概要: Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits
- arxiv url: http://arxiv.org/abs/2310.07528v2
- Date: Tue, 08 Oct 2024 16:18:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-10 14:29:03.064912
- Title: Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits
- Title(参考訳): 量子回路の非漸近近似誤差境界
- Authors: Zhan Yu, Qiuhao Chen, Yuling Jiao, Yinan Li, Xiliang Lu, Xin Wang, Jerry Zhijian Yang,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 16.460585387762478
- License:
- Abstract: Parameterized quantum circuits (PQCs) have emerged as a promising approach for quantum neural networks. However, understanding their expressive power in accomplishing machine learning tasks remains a crucial question. This paper investigates the expressivity of PQCs for approximating general multivariate function classes. Unlike previous Universal Approximation Theorems for PQCs, which are either nonconstructive or rely on parameterized classical data processing, we explicitly construct data re-uploading PQCs for approximating multivariate polynomials and smooth functions. We establish the first non-asymptotic approximation error bounds for these functions in terms of the number of qubits, quantum circuit depth, and number of trainable parameters. Notably, we demonstrate that for approximating functions that satisfy specific smoothness criteria, the quantum circuit size and number of trainable parameters of our proposed PQCs can be smaller than those of deep ReLU neural networks. We further validate the approximation capability of PQCs through numerical experiments. Our results provide a theoretical foundation for designing practical PQCs and quantum neural networks for machine learning tasks that can be implemented on near-term quantum devices, paving the way for the advancement of quantum machine learning.
- Abstract(参考訳): 量子化量子回路(PQC)は、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登場した。
しかし、機械学習タスクの達成における表現力を理解することは、依然として重要な問題である。
本稿では,一般多変量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。
非構成的あるいはパラメータ化された古典的データ処理に依存したPQCの以前のUniversal Approximation Theoremsとは異なり、多変量多項式と滑らかな関数を近似するためのPQCの再ロードデータを明示的に構築する。
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。
特に、特定の滑らか度基準を満たす関数を近似するために、提案したPQCの量子回路サイズとトレーニング可能なパラメータの数は、深いReLUニューラルネットワークよりも小さくできることを示す。
さらに,PQCの近似能力を数値実験により検証した。
この結果は、短期量子デバイス上で実装可能な機械学習タスクのための実用的なPQCや量子ニューラルネットワークを設計するための理論的基盤を提供し、量子機械学習の進歩への道を開いた。
関連論文リスト
- Machine learning framework for predicting the entangling capability of parameterized quantum circuits [17.975555487972166]
変分量子アルゴリズム(VQA)は有望な解であるが、その性能はパラメータ化量子回路(PQC)に大きく依存している。
PQCsの絡み合いはPQCsを構築する上で重要な指標である。
本稿では,長期記憶(LSTM)モデルとゲート符号化技術を用いて,PQCの絡み合う能力を予測する機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-04T06:28:05Z) - Characterizing randomness in parameterized quantum circuits through expressibility and average entanglement [39.58317527488534]
量子回路(PQC)は、その主応用の範囲外ではまだ完全には理解されていない。
我々は、量子ビット接続性に関する制約の下で、PQCにおけるランダム状態の生成を分析する。
生成した状態の分布の均一性の増加と絡み合いの発生との間には,どれだけ急激な関係があるかを示す。
論文 参考訳(メタデータ) (2024-05-03T17:32:55Z) - Predicting Expressibility of Parameterized Quantum Circuits using Graph
Neural Network [5.444441239596186]
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。
論文 参考訳(メタデータ) (2023-09-13T14:08:01Z) - Variational Quantum Approximate Spectral Clustering for Binary
Clustering Problems [0.7550566004119158]
本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。
VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。
合成と実世界の両方のデータセットから得られた数値結果について述べる。
論文 参考訳(メタデータ) (2023-09-08T17:54:42Z) - Parametrized Quantum Circuits and their approximation capacities in the
context of quantum machine learning [1.3108652488669736]
パラメタライズド量子回路(パラメタライズド量子回路、PQC)は、固定ゲートとパラメタライズドゲートの両方からなる量子回路である。
PQCs は連続函数の空間、$p$可積分函数、および$Hk$ソボレフ空間を特定の距離で近似できることを示す。
論文 参考訳(メタデータ) (2023-07-27T11:43:08Z) - Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文 参考訳(メタデータ) (2022-12-04T03:18:03Z) - 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) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳(メタデータ) (2022-08-29T15:24:03Z) - 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)
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。