論文の概要: Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly

• arxiv url: http://arxiv.org/abs/2312.05552v1
• Date: Sat, 9 Dec 2023 11:47:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 20:11:40.285262
• Title: Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly
• Title（参考訳）: 系列ハミルトンアセンブリによるVQEのパラメータトレーニングの改善
• Authors: Jonas Stein, Navid Roshani, Maximilian Zorn, Philipp Altmann, Michael K\"olle, Claudia Linnhoff-Popien
• Abstract要約: 量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。 局所成分を用いて損失関数を反復的に近似する逐次ハミルトンアセンブリを提案する。 提案手法は,従来のパラメータトレーニングを29.99%,実証的手法であるレイヤワイズラーニングを5.12%,平均精度を5.12%向上させる。
• 参考スコア（独自算出の注目度）: 4.646930308096446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central challenge in quantum machine learning is the design and training of parameterized quantum circuits (PQCs). Similar to deep learning, vanishing gradients pose immense problems in the trainability of PQCs, which have been shown to arise from a multitude of sources. One such cause are non-local loss functions, that demand the measurement of a large subset of involved qubits. To facilitate the parameter training for quantum applications using global loss functions, we propose a Sequential Hamiltonian Assembly, which iteratively approximates the loss function using local components. Aiming for a prove of principle, we evaluate our approach using Graph Coloring problem with a Varational Quantum Eigensolver (VQE). Simulation results show, that our approach outperforms conventional parameter training by 29.99% and the empirical state of the art, Layerwise Learning, by 5.12% in the mean accuracy. This paves the way towards locality-aware learning techniques, allowing to evade vanishing gradients for a large class of practically relevant problems.
• Abstract（参考訳）: 量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。 深層学習と同様に、消失する勾配はpqcsの訓練能力に重大な問題をもたらす。 そのような原因の1つは非局所損失関数であり、関連する量子ビットの大きなサブセットの測定を要求する。 大域的損失関数を用いた量子応用のパラメータトレーニングを容易にするために,局所成分を用いた損失関数を反復的に近似する逐次ハミルトニアンアセンブリを提案する。 原理実証を目指して,可変量子固有ソルバ(vqe)を用いたグラフ彩色問題を用いたアプローチを評価した。 シミュレーションの結果,従来のパラメータトレーニングでは29.99%,実証的手法では5.12%,平均的精度では5.12%であった。 これにより、局所性を考慮した学習技術への道が開かれ、現実的な問題の大きなクラスにおいて、消滅する勾配を回避することができる。

関連論文リスト

• Alleviating Barren Plateaus in Parameterized Quantum Machine Learning Circuits: Investigating Advanced Parameter Initialization Strategies [4.169604865257672]
  ランダムパラメータ値を持つ場合、量子量子回路(PQC)はしばしばバレンプラトー(BP)を示す。 BPは量子アルゴリズムの最適化を妨げるため、量子ビット数の増加とともに勾配が消えつつある。 本稿では,PQCにおける古典的機械学習における最先端パラメータ初期化戦略の影響を解析する。
  論文  参考訳（メタデータ） (2023-11-22T08:07:53Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)
• Toward Physically Realizable Quantum Neural Networks [15.018259942339446]
  量子ニューラルネットワーク(QNN)の現在のソリューションは、スケーラビリティに関する課題を提起している。 QNNの指数的状態空間は、トレーニング手順のスケーラビリティに課題をもたらす。 本稿では量子パーセプトロンの転送関数の帯域制限フーリエ展開に依存するQNNの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-22T23:03:32Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• Mode connectivity in the loss landscape of parameterized quantum circuits [1.7546369508217283]
  パラメータ化量子回路(PQC)の変分訓練は、近時雑音型中間スケール量子(NISQ)デバイスに多く採用されている。 PQCトレーニングにおける損失ランドスケープの特徴を研究するために、引用したraxler 2018essentiallyで使用されるコネクティビティの視覚化とテストを行うために、citegoodfellowqualitatively,li 2017で導入されたニューラルネットワークの定性的な損失ランドスケープのキャラクタリゼーションを適用した。
  論文  参考訳（メタデータ） (2021-11-09T18:28:46Z)
• 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)
• Gradient-free quantum optimization on NISQ devices [0.0]
  重み依存学習の最近の進歩を考察し、適切な回路アーキテクチャとパラメータチューニングのトレードオフに対処する戦略を提案する。 遺伝的競合を介して回路を評価するNEATに基づくアルゴリズムの使用を検討し、パラメータ数を超えることにより問題を回避します。
  論文  参考訳（メタデータ） (2020-12-23T10:24:54Z)
• 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)
• Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
  本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。 この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:48:12Z)

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。