論文の概要: Quantum-enhanced Markov Chain Monte Carlo for systems larger than your Quantum Computer
- arxiv url: http://arxiv.org/abs/2405.04247v1
- Date: Tue, 7 May 2024 12:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 14:20:03.692787
- Title: Quantum-enhanced Markov Chain Monte Carlo for systems larger than your Quantum Computer
- Title（参考訳）: 量子コンピュータより大きいシステムのための量子強化型マルコフチェインモンテカルロ
- Authors: Stuart Ferguson, Petros Wallden,
- Abstract要約: 量子計算を複数回、より小さな量子コンピュータで行うことができるように、アルゴリズムを粗くする枠組みを導入する。
また,本手法は量子ハードウェア仕様に合わせて調整可能であり,古典的手法や量子的手法と容易に組み合わせることができると考えられる。
- 参考スコア（独自算出の注目度）: 0.9208007322096533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers theoretically promise computational advantage in many tasks, but it is much less clear how such advantage can be maintained when using existing and near-term hardware that has limitations in the number and quality of its qubits. One promising application was proposed in Layden et al [Nature 619, 282-287 (2023)] where a method to reduce the thermalisation time required when sampling from hard probability distribution was introduced as a Quantum-enhanced Markov Chain Monte Carlo (QeMCMC) approach. In [Nature 619, 282-287 (2023)] the size of the required quantum computer scales linearly with the problem, putting limitations on the sizes of systems that one can consider. In this work we introduce a framework to coarse grain the algorithm in such a way that the quantum computation can be performed using, multiple times, smaller quantum computers and we term the method the Coarse Grained Quantum-enhanced Markov Chain Monte Carlo (CGQeMCMC). Example strategies within this framework are put to the test, with the quantum speedup of [Nature 619, 282-287 (2023)] persisting while using only $\sqrt{n}$ simulated qubits where $n$ is the number of qubits required in the original QeMCMC -- a quadratic reduction in resources. The coarse graining framework has the potential to be practically applicable in the near term as it requires very few qubits to approach classically intractable problem instances, here only 6 simulated qubits suffice to gain advantage compared to standard classical approaches when investigating the magnetisation of a 36 spin system. Our method is also adjustable to quantum hardware specifications, and it appears that it can be easily combined with other techniques both classical and quantum.
- Abstract（参考訳）: 量子コンピュータは理論的には多くのタスクにおいて計算上の優位性を約束するが、量子ビットの数と品質に制限がある既存および短期ハードウェアを使用する場合、そのような優位性がどのように維持されるかは明らかになっていない。
Layden et al [Nature 619, 282-287 (2023)] において、1つの有望な応用が提案され、QeMCMC (Quantum-enhanced Markov Chain Monte Carlo) アプローチとしてハード確率分布からのサンプリングに必要な熱化時間を短縮する手法が導入された。
In [Nature 619, 282-287 (2023)] では、必要な量子コンピュータのサイズは問題と線形にスケールし、考慮できるシステムのサイズに制限を課す。
本研究では、量子計算を複数回、より小さな量子コンピュータで行うことができるように、アルゴリズムを粗粒化するためのフレームワークを導入し、この手法を粗粒化量子強化マルコフ・チェインモンテカルロ(CGQeMCMC)と呼ぶ。
このフレームワークの例を挙げると、[Nature 619, 282-287 (2023)]の量子スピードアップは、$\sqrt{n}$ simulated qubitsのみを使用しながら持続する。
粗粒化フレームワークは、古典的に難解な問題インスタンスにアプローチするのに非常に少ない量子ビットを必要とするため、短期的には実際に適用できる可能性があり、ここでは、36スピン系の磁化を調査する際の標準的な古典的アプローチと比較して、利点を得るのに十分な6つの擬似量子ビットしか存在しない。
また,本手法は量子ハードウェア仕様に合わせて調整可能であり,古典的手法や量子的手法と容易に組み合わせることができると考えられる。
関連論文リスト
- Entropy-driven entanglement forging [0.0]
本研究では、エントロピー駆動型エンタングルメント鍛造法を用いて、ノイズの多い中間スケール量子デバイスの限界に量子シミュレーションを適応させる方法について述べる。
提案手法は, エントロピー駆動型エンタングルメント鍛造法を用いて, ノイズの多い中間規模量子デバイスの限界に量子シミュレーションを適応させることが可能である。
論文 参考訳（メタデータ） (2024-09-06T16:54:41Z) - Benchmarking digital quantum simulations above hundreds of qubits using quantum critical dynamics [42.29248343585333]
最大133キュービットの量子ハードウェアとエラー軽減手法をベンチマークする。
最大2量子ゲート幅は28で、最大1396個の2量子ゲートを持つ。
結果はハミルトンシミュレーション、変分アルゴリズム、最適化、量子機械学習などのアプリケーションに転送可能である。
論文 参考訳（メタデータ） (2024-04-11T18:00:05Z) - Quantum Dynamical Hamiltonian Monte Carlo [0.0]
機械学習におけるユビキタスな問題は、ログの確率を通してのみアクセス可能な確率分布からサンプリングすることである。
我々は、チェインモンテカルロ(MCMC)サンプリングのための有名なハミルトンモンテカルロ法を拡張し、ハイブリッド方式で量子計算を利用する。
論文 参考訳（メタデータ） (2024-03-04T07:08:23Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Simple Tests of Quantumness Also Certify Qubits [69.96668065491183]
量子性の検定は、古典的検証者が証明者が古典的でないことを(のみ)証明できるプロトコルである。
我々は、あるテンプレートに従う量子性のテストを行い、(Kalai et al., 2022)のような最近の提案を捉えた。
すなわち、同じプロトコルは、証明可能なランダム性や古典的な量子計算のデリゲートといったアプリケーションの中心にあるビルディングブロックであるqubitの認定に使用できる。
論文 参考訳（メタデータ） (2023-03-02T14:18:17Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Quantum Computing Quantum Monte Carlo [8.69884453265578]
量子コンピューティングと量子モンテカルロを統合したハイブリッド量子古典アルゴリズムを提案する。
我々の研究は、中間スケールおよび早期フォールト耐性量子コンピュータで現実的な問題を解決するための道を開いた。
論文 参考訳（メタデータ） (2022-06-21T14:26:24Z) - Quantum-assisted Monte Carlo algorithms for fermions [5.625946422295428]
本稿では,量子コンピュータを最小限のコストで使用する,スケーラブルな量子支援モンテカルロアルゴリズムのファミリーを提案する。
モンテカルロハイブリッドフレームワークは,古典的アルゴリズムから得られる基底状態の誤差を抑える一般的な方法であることを示す。
論文 参考訳（メタデータ） (2022-05-30T07:49:22Z) - Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。
我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。
絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文 参考訳（メタデータ） (2022-05-26T20:32:36Z) - Accelerated quantum Monte Carlo with mitigated error on noisy quantum
computer [4.762232147934851]
本稿では,量子シミュレーションをサブルーチンとして用い,量子モンテカルロを高速化する新しい非変分アルゴリズムを提案する。
提案した量子アルゴリズムは、短期雑音量子ハードウェアに適用可能である。
論文 参考訳（メタデータ） (2021-06-18T02:45:14Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。