論文の概要: Cost Explosion for Efficient Reinforcement Learning Optimisation of
Quantum Circuits
- arxiv url: http://arxiv.org/abs/2311.12498v1
- Date: Tue, 21 Nov 2023 10:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 01:05:36.859893
- Title: Cost Explosion for Efficient Reinforcement Learning Optimisation of
Quantum Circuits
- Title(参考訳): 量子回路の効率的な強化学習のためのコスト爆発
- Authors: Ioana Moflic and Alexandru Paler
- Abstract要約: 強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。
私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。
本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
- 参考スコア(独自算出の注目度): 55.616364225463066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large scale optimisation of quantum circuits is a computationally challenging
problem. Reinforcement Learning (RL) is a recent approach for learning
strategies to optimise quantum circuits by increasing the reward of an
optimisation agent. The reward is a function of the quantum circuit costs, such
as gate and qubit counts, or circuit depth. Our goal is to improve the agent's
optimization strategy, by including hints about how quantum circuits are
optimized manually: there are situations when the cost of a circuit should be
allowed to temporary explode, before applying optimisations which significantly
reduce the circuit's cost. We bring numerical evidence, using
Bernstein-Vazirani circuits, to support the advantage of this strategy. Our
results are preliminary, and show that allowing cost explosions offers
significant advantages for RL training, such as reaching optimum circuits. Cost
explosion strategies have the potential to be an essential tool for RL of
large-scale quantum circuit optimisation.
- Abstract(参考訳): 量子回路の大規模最適化は計算上難しい問題である。
強化学習(rl)は、最適化エージェントの報酬を増やすことにより、量子回路を最適化するための学習戦略の最近のアプローチである。
この報酬は、ゲート数や量子ビット数、回路深さなどの量子回路コストの関数である。
我々のゴールは、エージェントの最適化戦略を改善することであり、量子回路を手動で最適化する方法のヒントを含めることである。
我々は、ベルンシュタイン-ヴァジラニ回路を用いて、この戦略の利点を支持する数値的証拠をもたらす。
結果は予備的であり, コスト爆発の許容は, 最適回路への到達など, rlトレーニングに重要な利点をもたらすことを示した。
コスト爆発戦略は、大規模量子回路最適化のRLに不可欠なツールとなる可能性がある。
関連論文リスト
- The promising path of evolutionary optimization to avoid barren plateaus [0.0]
変分量子アルゴリズムは、短期デバイスにおける量子優位性を示すための有望な候補と見なされている。
本研究では,回路トレーニングにおけるバレンプラトー問題(BP)の悪影響を軽減するために,新しい最適化手法を提案する。
我々は16ドルキュービットと15,000ドルのエンタングゲートからなる量子回路に最適化戦略を適用した。
論文 参考訳(メタデータ) (2024-02-07T20:06:29Z) - Towards Faster Reinforcement Learning of Quantum Circuit Optimization:
Exponential Reward Functions [55.616364225463066]
量子回路の最適化のための強化学習は、報酬関数の値の最大化を目標とするエージェントを使用する。
本稿では,回路の構造特性に敏感な指数的報酬関数を提案する。
論文 参考訳(メタデータ) (2023-11-21T10:33:26Z) - Graph Neural Network Autoencoders for Efficient Quantum Circuit
Optimisation [69.43216268165402]
我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。
我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。
我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
論文 参考訳(メタデータ) (2023-03-06T16:51:30Z) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳(メタデータ) (2022-04-12T19:39:31Z) - Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。
提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文 参考訳(メタデータ) (2021-06-26T10:55:52Z) - 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) - Quantum circuit optimization with deep reinforcement learning [3.047409448159345]
本稿では,強化学習に基づく量子回路最適化手法を提案する。
エージェントがディープ畳み込みニューラルネットワークによって実現され、任意の回路を最適化するための汎用戦略を自律的に学習する方法を実証する。
トレーニングで使用されるよりも大きな回路への外挿について検討し、この手法を短期量子デバイスにどのように活用するかを考察する。
論文 参考訳(メタデータ) (2021-03-13T00:49:51Z) - Quantum Gate Pattern Recognition and Circuit Optimization for Scientific
Applications [1.6329956884407544]
回路最適化のための2つのアイデアを導入し、AQCELと呼ばれる多層量子回路最適化プロトコルに組み合わせる。
AQCELは、高エネルギー物理学における最終状態の放射をモデル化するために設計された反復的で効率的な量子アルゴリズム上に展開される。
我々の手法は汎用的であり、様々な量子アルゴリズムに有用である。
論文 参考訳(メタデータ) (2021-02-19T16:20:31Z)
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。