論文の概要: Optimizing ZX-Diagrams with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2311.18588v3
- Date: Mon, 30 Sep 2024 08:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:00:49.922582
- Title: Optimizing ZX-Diagrams with Deep Reinforcement Learning
- Title(参考訳): 深部強化学習によるZX線図の最適化
- Authors: Maximilian Nägele, Florian Marquardt,
- Abstract要約: 我々は、ZX-ダイアグラムと強化学習を組み合わせ、意思決定問題において最適な行動列を求める。
エージェントのポリシを符号化するグラフニューラルネットワークを使用することで、トレーニングフェーズで見られるよりもはるかに大きなダイアグラムへの一般化が可能になる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: ZX-diagrams are a powerful graphical language for the description of quantum processes with applications in fundamental quantum mechanics, quantum circuit optimization, tensor network simulation, and many more. The utility of ZX-diagrams relies on a set of local transformation rules that can be applied to them without changing the underlying quantum process they describe. These rules can be exploited to optimize the structure of ZX-diagrams for a range of applications. However, finding an optimal sequence of transformation rules is generally an open problem. In this work, we bring together ZX-diagrams with reinforcement learning, a machine learning technique designed to discover an optimal sequence of actions in a decision-making problem and show that a trained reinforcement learning agent can significantly outperform other optimization techniques like a greedy strategy, simulated annealing, and state-of-the-art hand-crafted algorithms. The use of graph neural networks to encode the policy of the agent enables generalization to diagrams much bigger than seen during the training phase.
- Abstract(参考訳): ZXダイアグラムは、基本的な量子力学、量子回路最適化、テンソルネットワークシミュレーションなど、量子プロセスを記述するための強力なグラフィカル言語である。
ZX-ダイアグラムの効用は、それらが記述する基礎となる量子過程を変更することなくそれらに適用できる一連の局所変換規則に依存している。
これらのルールは、様々なアプリケーションに対してZX-ダイアグラムの構造を最適化するために利用することができる。
しかし、変換規則の最適列を見つけることは一般にオープンな問題である。
本研究は,ZXダイアグラムと強化学習を組み合わせ,意思決定問題における最適な行動列の探索を目的とした機械学習技術であり,訓練された強化学習エージェントが,欲求戦略やシミュレートされたアニーリング,最先端の手作りアルゴリズムなど,他の最適化手法を著しく上回ることを示す。
エージェントのポリシを符号化するグラフニューラルネットワークを使用することで、トレーニングフェーズで見られるよりもはるかに大きなダイアグラムへの一般化が可能になる。
関連論文リスト
- Application of ZX-calculus to Quantum Architecture Search [0.0]
本稿では,ZX計算と遺伝的プログラミング(GP)を融合した量子アーキテクチャ探索手法を提案する。
本稿では,量子回路の可視化と操作を簡略化するグラフィカル言語ZX-calculusを用いて定義された突然変異を利用するGPフレームワークを提案する。
以上の結果から, 量子アーキテクチャ探索(QAS)におけるZX計算に基づく変異は, 検討された全ての指標において, 他よりも有意に優れていることが示唆された。
論文 参考訳(メタデータ) (2024-06-03T08:30:24Z) - Reinforcement Learning Based Quantum Circuit Optimization via ZX-Calculus [0.0]
本稿では,ZX-ダイアグラムのグラフ理論的単純化規則を用いて,量子回路を最適化するための新しい強化学習法を提案する。
そこで本研究では,ZX-Calculusをベースとした最良性能のアルゴリズムと比較し,提案手法の能力を示す。
我々のアプローチは、短期中間スケール範囲(NISQ)における量子アルゴリズムの実装のための貴重なツールとして使われる準備ができている。
論文 参考訳(メタデータ) (2023-12-18T17:59:43Z) - Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum
Circuit Simulation [65.93830818469833]
テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。
これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。
量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
論文 参考訳(メタデータ) (2023-02-13T19:00:00Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳(メタデータ) (2022-04-18T21:45:13Z) - Diagrammatic Analysis for Parameterized Quantum Circuits [0.0]
本稿では、特にパラメータ化量子回路に適したZX計算の拡張について述べる。
いくつかの新しいZXダイアグラムの書き直し規則とこの設定の一般化を提供する。
ダイアグラム的アプローチは,アルゴリズムの構造と性能に関する有用な洞察を提供する。
論文 参考訳(メタデータ) (2022-04-04T08:26:20Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-01T19:00:11Z) - Hybrid quantum-classical circuit simplification with the ZX-calculus [0.0]
この研究は、ハイブリッド回路の中間表現として、ZX-groundと呼ばれる形式的なグラフィカルなZX計算を拡張している。
グラフのサイズを小さくするZX-グラウンドダイアグラムに対して,多数のgFlow保存最適化ルールを導出する。
抽出回路の古典ゲートで実装可能な回路状ZX地上図のセグメントを検出するための一般的な手順を提案する。
論文 参考訳(メタデータ) (2021-09-13T15:45:56Z) - 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) - Diagrammatic Differentiation for Quantum Machine Learning [0.19336815376402716]
位相パラメータに関して線形写像の勾配を図式的に計算する方法を示す。
パラメトリス量子回路の図では、よく知られたパラメータシフト規則が得られる。
次に,本手法をハイブリッド古典量子回路の自動微分に拡張する。
論文 参考訳(メタデータ) (2021-03-14T16:04:56Z) - GEO: Enhancing Combinatorial Optimization with Classical and Quantum
Generative Models [62.997667081978825]
我々は、生成モデルとして知られる機械学習モデルを活用する新しいフレームワークを導入し、最適化問題を解決する。
我々は、テンソルネットワークマシンに依存するGEOの量子インスパイアされたバージョンに注力する。
関数呼び出し数に対する固定予算が与えられた場合、その目標が最小限の最小値を求める場合、その優れた性能を示す。
論文 参考訳(メタデータ) (2021-01-15T18:18:38Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z)
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。