論文の概要: Quantum Architecture Search with Unsupervised Representation Learning
- arxiv url: http://arxiv.org/abs/2401.11576v1
- Date: Sun, 21 Jan 2024 19:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 15:58:39.307979
- Title: Quantum Architecture Search with Unsupervised Representation Learning
- Title(参考訳): 教師なし表現学習による量子アーキテクチャ探索
- Authors: Yize Sun, Zixin Wu, Yunpu Ma, Volker Tresp
- Abstract要約: 量子アーキテクチャ探索(QAS)のための教師なし表現学習のためのフレームワークを提案する。
我々のフレームワークは、多数のラベル付き量子回路の必要性を排除し、予測不要である。
その結果,本フレームワークは,検索回数の限られた範囲で,より効率的に高い性能の候補回路を得ることができた。
- 参考スコア(独自算出の注目度): 26.981358653272576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Utilizing unsupervised representation learning for quantum architecture
search (QAS) represents a cutting-edge approach poised to realize potential
quantum advantage on Noisy Intermediate-Scale Quantum (NISQ) devices. Most QAS
algorithms combine their search space and search algorithms together and thus
generally require evaluating a large number of quantum circuits during the
search process. Predictor-based QAS algorithms can alleviate this problem by
directly estimating the performance of circuits according to their structures.
However, a high-performance predictor generally requires very time-consuming
labeling to obtain a large number of labeled quantum circuits. Recently, a
classical neural architecture search algorithm Arch2vec inspires us by showing
that architecture search can benefit from decoupling unsupervised
representation learning from the search process. Whether unsupervised
representation learning can help QAS without any predictor is still an open
topic. In this work, we propose a framework QAS with unsupervised
representation learning and visualize how unsupervised architecture
representation learning encourages quantum circuit architectures with similar
connections and operators to cluster together. Specifically, our framework
enables the process of QAS to be decoupled from unsupervised architecture
representation learning so that the learned representation can be directly
applied to different downstream applications. Furthermore, our framework is
predictor-free eliminating the need for a large number of labeled quantum
circuits. During the search process, we use two algorithms REINFORCE and
Bayesian Optimization to directly search on the latent representation, and
compare them with the method Random Search. The results show our framework can
more efficiently get well-performing candidate circuits within a limited number
of searches.
- Abstract(参考訳): 量子アーキテクチャ探索(QAS)における教師なし表現学習の利用は、ノイズ中間スケール量子(NISQ)デバイスにおける潜在的な量子優位性を実現するための最先端アプローチである。
ほとんどのQASアルゴリズムは、探索空間と探索アルゴリズムを組み合わせ、一般に、探索プロセス中に多数の量子回路を評価する必要がある。
予測器に基づくQASアルゴリズムは、回路の性能をその構造に応じて直接推定することでこの問題を軽減することができる。
しかし、高性能な予測器は、多くのラベル付き量子回路を得るのに非常に時間を要する。
近年、古典的ニューラルネットワーク探索アルゴリズムArch2vecは、アーキテクチャ検索が、教師なし表現学習を探索プロセスから切り離すことの恩恵を享受できることを示した。
教師なしの表現学習が予測子なしでQASに役立つかどうかは、まだオープントピックである。
本研究では、教師なし表現学習を用いたフレームワークQASを提案し、教師なしアーキテクチャ表現学習が類似の接続と演算子による量子回路アーキテクチャのクラスタリングをいかに促進するかを可視化する。
具体的には、QASのプロセスが教師なしアーキテクチャ表現学習から切り離され、学習された表現が異なる下流アプリケーションに直接適用できるようにする。
さらに,多くのラベル付き量子回路の必要性をなくし,予測を不要とした。
探索の過程では,2つのアルゴリズムによる強化法とベイズ最適化法を用いて潜在表現を直接探索し,それらをランダム探索法と比較する。
その結果,本フレームワークは,検索回数の限られた範囲で,より効率的に高い性能の候補回路を得ることができた。
関連論文リスト
- Qubit-Wise Architecture Search Method for Variational Quantum Circuits [11.790545710021593]
そこで本研究では,QWAS(qubit-wise architec-ture search)法を提案する。
提案手法は,MNIST,Fashion,MOSIなどの実世界のタスクにおいて,サーキットの性能とサイズを探索し,活用する。
論文 参考訳(メタデータ) (2024-03-07T07:08:57Z) - QArchSearch: A Scalable Quantum Architecture Search Package [1.725192300740999]
バックエンドとして textttQTensor ライブラリを備えた,AI ベースの量子アーキテクチャ検索パッケージである textttQArchSearch を提示する。
探索パッケージは、探索を大規模量子回路に効率よくスケールでき、異なる量子アプリケーションのためのより複雑なモデルを探索できることを示す。
論文 参考訳(メタデータ) (2023-10-11T20:00:33Z) - GSQAS: Graph Self-supervised Quantum Architecture Search [0.18899300124593643]
既存の量子アーキテクチャ探索(QAS)アルゴリズムは、探索プロセス中に多数の量子回路を評価する必要がある。
本稿では,自己教師型学習に基づく予測器を訓練するグラフ自己教師型QASであるGSQASを提案する。
GSQASは最先端の予測器ベースのQASより優れており、ラベル付き回路が少なくて性能が良い。
論文 参考訳(メタデータ) (2023-03-22T08:35:28Z) - Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。
私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。
ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
論文 参考訳(メタデータ) (2023-02-10T18:50:37Z) - Quantum matching pursuit: A quantum algorithm for sparse representations [3.4376560669160394]
疎ベクトルによる信号の表現は、画像やビデオの符号化から形状表現や健康モニタリングまで幅広い用途がある。
量子コンピューティングは、最近多くの表現学習タスクにおいて有望なスピードアップを示している。
論文 参考訳(メタデータ) (2022-08-08T13:50:57Z) - ORQVIZ: Visualizing High-Dimensional Landscapes in Variational Quantum
Algorithms [51.02972483763309]
変分量子アルゴリズム(VQA)は、量子コンピュータの実用的な応用を見つけるための有望な候補である。
この作業には、オープンソースのPythonパッケージである$textitorqviz$のリリースが伴っている。
論文 参考訳(メタデータ) (2021-11-08T18:17:59Z) - MQBench: Towards Reproducible and Deployable Model Quantization
Benchmark [53.12623958951738]
MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。
我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。
包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
論文 参考訳(メタデータ) (2021-11-05T23:38:44Z) - Quantum Embedding Search for Quantum Machine Learning [2.7612093695074456]
クエスト」と発音される新しい量子埋め込み探索アルゴリズム(QES)を導入する。
我々は、量子埋め込みの構造と有向多重グラフの表現との接続を確立し、明確に定義された探索空間を実現する。
本稿では,QESによる量子埋め込みアーキテクチャが手動設計より優れていることを実証的に示す,合成とアイリスデータセットに対する提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-05-25T11:50:57Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳(メタデータ) (2020-09-29T11:56:01Z) - CATCH: Context-based Meta Reinforcement Learning for Transferrable
Architecture Search [102.67142711824748]
CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。
メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。
また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
論文 参考訳(メタデータ) (2020-07-18T09:35:53Z) - Scalable NAS with Factorizable Architectural Parameters [102.51428615447703]
Neural Architecture Search (NAS)は、機械学習とコンピュータビジョンにおける新たなトピックである。
本稿では,多数の候補演算子をより小さな部分空間に分解することで,スケーラブルなアルゴリズムを提案する。
検索コストが少なめに増加し、再トレーニングに余分なコストがかからないため、これまで調査されなかった興味深いアーキテクチャが見つかる。
論文 参考訳(メタデータ) (2019-12-31T10:26:56Z)
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。