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

• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• 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)
• 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)
• Reinforcement learning-assisted quantum architecture search for variational quantum algorithms [0.0]
  この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。 本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。 様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
  論文  参考訳（メタデータ） (2024-02-21T12:30:39Z)
• Curriculum reinforcement learning for quantum architecture search under hardware errors [1.583327010995414]
  本研究は、VQAデプロイメントにおける課題に対処するために設計されたカリキュラムベースの強化学習QAS(CRLQAS)を導入する。 このアルゴリズムは、(i)環境力学の3Dアーキテクチャを符号化し、回路の探索空間を効率的に探索する。 研究を容易にするため,雑音量子回路の計算効率を大幅に向上させる最適化シミュレータを開発した。
  論文  参考訳（メタデータ） (2024-02-05T20:33:00Z)
• 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)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• 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)
• 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)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。