論文の概要: Learning to rank quantum circuits for hardware-optimized performance enhancement

• arxiv url: http://arxiv.org/abs/2404.06535v2
• Date: Thu, 21 Nov 2024 19:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:01:44.463577
• Title: Learning to rank quantum circuits for hardware-optimized performance enhancement
• Title（参考訳）: ハードウェア最適化性能向上のための量子回路のランク付け学習
• Authors: Gavin S. Hartnett, Aaron Barbosa, Pranav S. Mundada, Michael Hush, Michael J. Biercuk, Yuval Baum,
• Abstract要約: 本稿では,論理的に等価な量子回路をランク付けするための機械学習に基づく手法を実験的に導入し,実験を行った。 提案手法をランダムなレイアウト選択とMapomaticと呼ばれる一般公開ベースラインの2つの一般的なアプローチと比較する。 我々の最良のモデルでは、ベースラインアプローチと比較して選択誤差が1.8タイムズ$減少し、ランダム選択と比較して3.2タイムズ$減少する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce and experimentally test a machine-learning-based method for ranking logically equivalent quantum circuits based on expected performance estimates derived from a training procedure conducted on real hardware. We apply our method to the problem of layout selection, in which abstracted qubits are assigned to physical qubits on a given device. Circuit measurements performed on IBM hardware indicate that the maximum and median fidelities of logically equivalent layouts can differ by an order of magnitude. We introduce a circuit score used for ranking that is parameterized in terms of a physics-based, phenomenological error model whose parameters are fit by training a ranking-loss function over a measured dataset. The dataset consists of quantum circuits exhibiting a diversity of structures and executed on IBM hardware, allowing the model to incorporate the contextual nature of real device noise and errors without the need to perform an exponentially costly tomographic protocol. We perform model training and execution on the 16-qubit ibmq_guadalupe device and compare our method to two common approaches: random layout selection and a publicly available baseline called Mapomatic. Our model consistently outperforms both approaches, predicting layouts that exhibit lower noise and higher performance. In particular, we find that our best model leads to a $1.8\times$ reduction in selection error when compared to the baseline approach and a $3.2\times$ reduction when compared to random selection. Beyond delivering a new form of predictive quantum characterization, verification, and validation, our results reveal the specific way in which context-dependent and coherent gate errors appear to dominate the divergence from performance estimates extrapolated from simple proxy measures.
• Abstract（参考訳）: 実ハードウェア上でのトレーニング手順から得られた期待性能推定に基づいて,論理的に等価な量子回路をランク付けする機械学習ベースの手法を実験的に導入し,実験を行った。 本手法は,任意のデバイス上の物理量子ビットに抽象化された量子ビットを割り当てるレイアウト選択問題に適用する。 IBMハードウェア上で行われた回路測定は、論理的に等価なレイアウトの最大値と中央値の忠実度が桁違いに異なることを示唆している。 本稿では,パラメータが適合する物理に基づく現象的エラーモデルを用いて,評価されたデータセット上でランキングロス関数をトレーニングすることにより,ランキングのパラメータ化を行う回路スコアを提案する。 データセットは、様々な構造を示す量子回路で構成され、IBMハードウェア上で実行されるため、指数的にコストがかかるトモグラフィープロトコルを実行することなく、実際のデバイスノイズとエラーのコンテキスト特性を組み込むことができる。 我々は16量子ibmq_guadalupeデバイス上でモデルトレーニングと実行を行い、この手法をランダムなレイアウト選択とMapomaticと呼ばれる一般公開ベースラインの2つの一般的なアプローチと比較する。 我々のモデルは両方のアプローチを一貫して上回り、低いノイズと高いパフォーマンスを示すレイアウトを予測します。 特に、我々の最良のモデルでは、ベースラインアプローチと比較して選択誤差が1.8\times$減少し、ランダム選択と比較して3.2\times$減少することがわかった。 予測量子キャラクタリゼーション,検証,検証の新たな形態を提供する以外に,本研究の結果は,単純なプロキシ測度から外挿した性能推定値から,コンテキスト依存的かつコヒーレントなゲート誤差が発散する特定の方法を明らかにする。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Improved Digital Quantum Simulation by Non-Unitary Channels [0.5999777817331317]
  非単体シミュレーションチャネルの性能について検討し、単体回路の重み付け平均から構築したチャネルの誤差構造について考察する。 シミュレーション回路を数回上回る平均化は、単一ステップのショートタイムと複数ステップの長時間のシミュレーションにおいて、トロッタライズ誤差を大幅に低減できることを示す。
  論文  参考訳（メタデータ） (2023-07-24T18:00:02Z)
• Predictive Models from Quantum Computer Benchmarks [0.0]
  量子コンピュータの総合ベンチマークは、量子ハードウェアの性能をテストし、まとめるのに不可欠である。 本稿では,機能モデルを用いたベンチマークデータから予測モデルを構築するための一般的なフレームワークを紹介する。 このケーススタディでは、クラウドアクセス可能な量子コンピュータのデータとノイズの多い量子コンピュータのシミュレーションを用いています。
  論文  参考訳（メタデータ） (2023-05-15T17:00:23Z)
• Superposed Quantum Error Mitigation [1.732837834702512]
  ノイズや不完全性の影響を克服することは、量子コンピューティングにおける大きな課題である。 本稿では,利害関係と一部の補助状態の重ね合わせにおいて,所望のユニタリ計算を適用するアプローチを提案する。 我々は、IBM Quantum Platform上で、同じ動作の並列適用が大きなノイズ軽減につながることを実証した。
  論文  参考訳（メタデータ） (2023-04-17T18:01:01Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Measuring NISQ Gate-Based Qubit Stability Using a 1+1 Field Theory and Cycle Benchmarking [50.8020641352841]
  量子ハードウェアプラットフォーム上でのコヒーレントエラーを, サンプルユーザアプリケーションとして, 横フィールドIsing Model Hamiltonianを用いて検討した。 プロセッサ上の物理位置の異なる量子ビット群に対する、日中および日中キュービット校正ドリフトと量子回路配置の影響を同定する。 また,これらの測定値が,これらの種類の誤差をよりよく理解し,量子計算の正確性を評価するための取り組みを改善する方法についても論じる。
  論文  参考訳（メタデータ） (2022-01-08T23:12:55Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Modeling Noisy Quantum Circuits Using Experimental Characterization [0.40611352512781856]
  ノイズの多い中間スケール量子(NISQ)デバイスは、非フォールト耐性量子コンピューティングの挙動をテストし評価するためのユニークなプラットフォームを提供する。 ノイズの多い回路モデリングの複雑さを管理するNISQプログラムを特徴付けるためのテスト駆動方式を提案する。
  論文  参考訳（メタデータ） (2020-01-23T16:45:49Z)

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。