論文の概要: Improving Trainability of Variational Quantum Circuits via Regularization Strategies

• arxiv url: http://arxiv.org/abs/2405.01606v1
• Date: Thu, 2 May 2024 00:57:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 15:04:28.170357
• Title: Improving Trainability of Variational Quantum Circuits via Regularization Strategies
• Title（参考訳）: 変分量子回路の正則化によるトレーニング性の向上
• Authors: Jun Zhuang, Jack Cunningham, Chaowen Guan,
• Abstract要約: モデルパラメータを列車データとガウス雑音拡散の事前知識で正規化する手法を提案する。 我々は,4つの公開データセットにまたがる戦略の有効性を検証するためのアブレーション研究を行っている。
• 参考スコア（独自算出の注目度）: 2.121963121603413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of noisy intermediate-scale quantum (NISQ), variational quantum circuits (VQCs) have been widely applied in various domains, advancing the superiority of quantum circuits against classic models. Similar to classic models, regular VQCs can be optimized by various gradient-based methods. However, the optimization may be initially trapped in barren plateaus or eventually entangled in saddle points during training. These gradient issues can significantly undermine the trainability of VQC. In this work, we propose a strategy that regularizes model parameters with prior knowledge of the train data and Gaussian noise diffusion. We conduct ablation studies to verify the effectiveness of our strategy across four public datasets and demonstrate that our method can improve the trainability of VQCs against the above-mentioned gradient issues.
• Abstract（参考訳）: ノイズの多い中間規模量子 (NISQ) の時代において、変分量子回路 (VQC) は様々な領域で広く適用され、古典的モデルに対する量子回路の優位性を推し進めてきた。 古典モデルと同様に、正規のVQCは様々な勾配法で最適化できる。 しかし、最適化は最初は不毛の高原に閉じ込められたり、訓練中にサドルポイントに絡まっていたりすることができる。 これらの勾配問題は、VQCの訓練性を著しく損なう可能性がある。 本研究では,列車データとガウス雑音拡散の事前知識を用いてモデルパラメータを正規化する手法を提案する。 我々は,4つの公開データセットにおける戦略の有効性を検証するためのアブレーション研究を行い,上記の勾配問題に対するVQCのトレーニング性の向上を実証した。

関連論文リスト

• Enhancing Variational Quantum Circuit Training: An Improved Neural Network Approach for Barren Plateau Mitigation [0.0]
  変分量子アルゴリズム(VQA)は、短期量子コンピューティングにおいて最も有望なアルゴリズムの一つである。 コスト関数を最適化するために回路パラメータを反復的に更新する。 変分量子回路(VQCs)の訓練は、バレンプラトー(BPs)と呼ばれる現象の影響を受けやすい
  論文  参考訳（メタデータ） (2024-11-14T06:43:37Z)
• Architectural Influence on Variational Quantum Circuits in Multi-Agent Reinforcement Learning: Evolutionary Strategies for Optimization [5.7918970571149835]
  本稿では,ゲートベース,層ベース,プロトタイプベースの概念を用いて量子回路を変更・再結合する手法を提案する。 本研究は,変異のみの戦略とゲートベースアプローチに最適な性能を示す。 特に,コインゲーム環境での評価において,より優れたスコア,より高い総数,自己のコイン,そして最高のエージェントに対する優れた自己のコインレートを観察する。
  論文  参考訳（メタデータ） (2024-07-30T11:16:25Z)
• Investigating and Mitigating Barren Plateaus in Variational Quantum Circuits: A Survey [1.795561427808824]
  変分量子回路(VQC)は勾配に基づくアプローチによって最適化できる。 量子ビットや層数が増加するにつれて、VQCの勾配のばらつきは劇的に消える。 Barren Plateaus (BP)は、大規模なデータセット上のVQCのスケーリングを著しく妨げている。
  論文  参考訳（メタデータ） (2024-07-25T01:58:46Z)
• Machine-Learning Insights on Entanglement-trainability Correlation of Parameterized Quantum Circuits [17.975555487972166]
  変分量子アルゴリズム(VQA)は、現在のノイズの多い中間スケールデバイスで量子優位を得るための主要な戦略として登場した。 バレンプラトー(BP)現象の主な原因として、その絡み合い-運動性相関は、それらの応用に挑戦する。 本稿では,パラメータ化量子回路(PQC)のゲート・ツー・テンソル(GTT)符号化法を提案する。 2つの長期記憶ネットワーク(L-Gネットワーク)は、絡み合いとトレーニング可能性の両方を予測するために訓練されている。
  論文  参考訳（メタデータ） (2024-06-04T06:28:05Z)
• Q-value Regularized Transformer for Offline Reinforcement Learning [70.13643741130899]
  オフライン強化学習(RL)における最先端化のためのQ値正規化変換器(QT)を提案する。 QTはアクション値関数を学習し、条件付きシーケンスモデリング(CSM)のトレーニング損失にアクション値を最大化する用語を統合する D4RLベンチマークデータセットの実証評価は、従来のDP法やCSM法よりもQTの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-27T12:12:39Z)
• 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)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Benchmarking the Reliability of Post-training Quantization: a Particular Focus on Worst-case Performance [53.45700148820669]
  ポストトレーニング量子化(PTQ)は、独自のアーキテクチャやトレーニング手順を変更することなく、ディープニューラルネットワーク(DNN)を圧縮するための一般的な方法である。 その有効性と利便性にもかかわらず、分散シフトやデータノイズといった極端ケースの存在下でのPTQ手法の信頼性は明らかにされていない。 そこで本研究では,様々なPTQ手法を用いてこの問題について検討する。
  論文  参考訳（メタデータ） (2023-03-23T02:55:50Z)
• Nonadiabatic Holonomic Quantum Computation via Path Optimization [3.0726135239588164]
  非アベリア幾何学位相に基づく経路最適化NHQC方式を提案する。 幾何学的ゲートは、異なる進化経路で構築でき、系統的な雑音に対して異なる応答を持つことを示す。 さらに,デコヒーレンスフリー部分空間符号化による量子回路の超伝導化戦略の実装も提案する。
  論文  参考訳（メタデータ） (2022-05-19T02:39:42Z)
• 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。