論文の概要: Comparing Classical and Quantum Ground State Preparation Heuristics

• arxiv url: http://arxiv.org/abs/2401.05306v1
• Date: Wed, 10 Jan 2024 18:16:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 13:55:11.170396
• Title: Comparing Classical and Quantum Ground State Preparation Heuristics
• Title（参考訳）: 古典的および量子的基底状態準備ヒューリスティックスの比較
• Authors: Katerina Gratsea, Jakob S. Kottmann, Peter D. Johnson and Alexander A. Kunitsa
• Abstract要約: 基底状態準備(GSP)はGSEEアルゴリズムにおいて重要な要素である。 本研究では,量子GSP法がHartree-Fock法と比較して重なり合う値を改善することができるかどうかを検討した。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One promising field of quantum computation is the simulation of quantum systems, and specifically, the task of ground state energy estimation (GSEE). Ground state preparation (GSP) is a crucial component in GSEE algorithms, and classical methods like Hartree-Fock state preparation are commonly used. However, the efficiency of such classical methods diminishes exponentially with increasing system size in certain cases. In this study, we investigated whether in those cases quantum heuristic GSP methods could improve the overlap values compared to Hartree-Fock. Moreover, we carefully studied the performance gain for GSEE algorithms by exploring the trade-off between the overlap improvement and the associated resource cost in terms of T-gates of the GSP algorithm. Our findings indicate that quantum heuristic GSP can accelerate GSEE tasks, already for computationally affordable strongly-correlated systems of intermediate size. These results suggest that quantum heuristic GSP has the potential to significantly reduce the runtime requirements of GSEE algorithms, thereby enhancing their suitability for implementation on quantum hardware.
• Abstract（参考訳）: 量子計算の有望な分野の1つは、量子システムのシミュレーションであり、特に基底状態エネルギー推定(GSEE)の課題である。 基底状態準備(GSP)はGSEEアルゴリズムにおいて重要な要素であり、Hartree-Fock状態準備のような古典的な手法が一般的である。 しかし、そのような古典的手法の効率は、システムのサイズが大きくなると指数関数的に低下する。 本研究では,量子ヒューリスティックGSP法がハーツリーフォックと比較して重なり合う値を改善することができるかどうかを検討した。 さらに,gspアルゴリズムのtゲートによるオーバーラップ改善と関連するリソースコストとのトレードオフを検討することにより,gseeアルゴリズムの性能向上を慎重に検討した。 以上の結果から,量子ヒューリスティック GSP が GSEE タスクを高速化できることが示唆された。 これらの結果から,量子ヒューリスティック GSP は GSEE アルゴリズムのランタイム要求を大幅に削減し,量子ハードウェアの実装に適合性を高める可能性が示唆された。

関連論文リスト

• From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
  強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• Qubit-efficient Variational Quantum Algorithms for Image Segmentation [4.737806718785056]
  量子コンピューティングは、古典的なアルゴリズムの範囲を超えて、様々な計算タスクを変換することが期待されている。 本研究では,教師なし画像分割における変分量子アルゴリズム(VQA)の適用について検討する。
  論文  参考訳（メタデータ） (2024-05-23T10:21:57Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Solving Graph Problems Using Gaussian Boson Sampling [22.516585968074146]
  ノイズの多い中間スケールの量子コンピュータを用いてグラフ問題を解く。 我々は,大きな光子クリック数を持つGBS増幅の存在と,特定の雑音下での強化を実験的に観察した。 我々の研究は、既存の中間スケール量子コンピュータを用いて現実の問題をテストするためのステップである。
  論文  参考訳（メタデータ） (2023-02-02T08:25:47Z)
• When to Reject a Ground State Preparation Algorithm [3.8624049174917214]
  本稿では,GSEE の目的のために GSP 法を受理又は拒絶するための基準を導入する。 証明可能な性能保証を持つアルゴリズムから、異なる化学系における性能のベンチマークまで、さまざまな手法を検討する。 この研究は、量子化学における量子優位性を達成するための要求をさらに探求する基礎を定めている。
  論文  参考訳（メタデータ） (2022-12-19T14:27:50Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Benchmarking Small-Scale Quantum Devices on Computing Graph Edit Distance [52.77024349608834]
  グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。 本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
  論文  参考訳（メタデータ） (2021-11-19T12:35:26Z)

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。