論文の概要: Guided-SPSA: Simultaneous Perturbation Stochastic Approximation assisted by the Parameter Shift Rule
- arxiv url: http://arxiv.org/abs/2404.15751v1
- Date: Wed, 24 Apr 2024 09:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 19:40:12.080849
- Title: Guided-SPSA: Simultaneous Perturbation Stochastic Approximation assisted by the Parameter Shift Rule
- Title（参考訳）: Guided-SPSA:パラメータシフト則による同時摂動確率近似
- Authors: Maniraman Periyasamy, Axel Plinge, Christopher Mutschler, Daniel D. Scherer, Wolfgang Mauerer,
- Abstract要約: 本稿では,パラメータシフト則とSPSAに基づく勾配近似を有意に組み合わせた新しい勾配推定手法である Guided-SPSAを提案する。
Guided-SPSAは、同じもしくはより良い解の最適性のためのトレーニング中に必要となる回路評価回数を15%から25%削減する。
本稿では、回帰、分類、強化学習など、量子機械学習の様々なパラダイムにおけるガイド付きSPSAの性能を示す。
- 参考スコア（独自算出の注目度）: 4.943277284710129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The study of variational quantum algorithms (VQCs) has received significant attention from the quantum computing community in recent years. These hybrid algorithms, utilizing both classical and quantum components, are well-suited for noisy intermediate-scale quantum devices. Though estimating exact gradients using the parameter-shift rule to optimize the VQCs is realizable in NISQ devices, they do not scale well for larger problem sizes. The computational complexity, in terms of the number of circuit evaluations required for gradient estimation by the parameter-shift rule, scales linearly with the number of parameters in VQCs. On the other hand, techniques that approximate the gradients of the VQCs, such as the simultaneous perturbation stochastic approximation (SPSA), do not scale with the number of parameters but struggle with instability and often attain suboptimal solutions. In this work, we introduce a novel gradient estimation approach called Guided-SPSA, which meaningfully combines the parameter-shift rule and SPSA-based gradient approximation. The Guided-SPSA results in a 15% to 25% reduction in the number of circuit evaluations required during training for a similar or better optimality of the solution found compared to the parameter-shift rule. The Guided-SPSA outperforms standard SPSA in all scenarios and outperforms the parameter-shift rule in scenarios such as suboptimal initialization of the parameters. We demonstrate numerically the performance of Guided-SPSA on different paradigms of quantum machine learning, such as regression, classification, and reinforcement learning.
- Abstract（参考訳）: 変分量子アルゴリズム(VQC)の研究は近年,量子コンピューティングコミュニティから大きな注目を集めている。
これらのハイブリッドアルゴリズムは古典的成分と量子的成分の両方を利用しており、ノイズの多い中間スケールの量子デバイスに適している。
パラメータシフト則を用いて正確な勾配を推定してVQCを最適化することは、NISQデバイスでは実現可能だが、より大きな問題サイズではうまくスケールできない。
計算複雑性は、パラメータシフト則による勾配推定に必要な回路評価数の観点から、VQCのパラメータ数と線形にスケールする。
一方、同時摂動確率近似(SPSA)のようなVQCsの勾配を近似する手法は、パラメータの数に応じてスケールしないが不安定と闘い、しばしば準最適解を得る。
本研究では,パラメータシフト則とSPSAに基づく勾配近似を有意に組み合わせた,ガイド-SPSAと呼ばれる新しい勾配推定手法を提案する。
Guided-SPSAは、パラメータシフト則と同等またはより良い解を求めるトレーニング中に必要となる回路評価回数を15%から25%削減する。
Guided-SPSAはすべてのシナリオで標準SPSAより優れており、パラメータの最適下初期化のようなシナリオではパラメータシフトルールより優れている。
本稿では、回帰、分類、強化学習などの量子機械学習の様々なパラダイムにおけるガイド-SPSAの性能を数値的に示す。
関連論文リスト
- Efficient Quantum Gradient and Higher-order Derivative Estimation via Generalized Hadamard Test [2.5545813981422882]
パラメータ化量子回路(PQC)の動作を理解するためには、勾配に基づく手法が不可欠である
有限差分、シフト規則、アダマール試験、直接アダマール試験などの既存の勾配推定法は、特定のPQCに対して最適な勾配回路を得ることが多い。
本稿では,一階勾配推定法に適用したフレキシブル・アダマールテスト(Flexible Hadamard Test)を提案する。
また、PQ内の個々のパラメータに対する最適勾配推定手法を適応的に選択する統一勾配法である量子自動微分(QAD)を導入する。
論文 参考訳（メタデータ） (2024-08-10T02:08:54Z) - Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳（メタデータ） (2023-10-11T10:21:34Z) - Variational Quantum Approximate Spectral Clustering for Binary
Clustering Problems [0.7550566004119158]
本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。
VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。
合成と実世界の両方のデータセットから得られた数値結果について述べる。
論文 参考訳（メタデータ） (2023-09-08T17:54:42Z) - Parsimonious Optimisation of Parameters in Variational Quantum Circuits [1.303764728768944]
最適なパラメータを更新するために、1イテレーション毎に少なくとも2つの回路を実行する必要がある新しい量子勾配サンプリングを提案する。
提案手法は,古典的勾配降下に類似した収束率を達成し,勾配座標降下とSPSAを実証的に上回っている。
論文 参考訳（メタデータ） (2023-06-20T18:50:18Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - An Empirical Comparison of Optimizers for Quantum Machine Learning with
SPSA-based Gradients [1.2532932830320982]
本研究では,SPSAからの近似勾配と最先端の古典勾配を併用した新しい手法を提案する。
単純な回帰タスクにおいて、収束率と絶対誤差の点で標準SPSAとパラメータシフト則の両方に優れることを示す。
論文 参考訳（メタデータ） (2023-04-27T15:19:49Z) - Gradient Estimation with Constant Scaling for Hybrid Quantum Machine
Learning [0.0]
機械学習モデルにおけるパラメータ化量子回路(PQC)の勾配を決定する新しい手法を提案する。
PQC層の勾配は、回路パラメータの数に依存しないフォワードパス当たりの回路評価のオーバーヘッドで計算できる。
量子ビットの数が増加するにつれて、パラメータシフト規則と同等の精度で、我々の手法ははるかに高速に収束する。
論文 参考訳（メタデータ） (2022-11-25T09:45:35Z) - 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) - 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) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - 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。