論文の概要: Quantum-enhanced Markov Chain Monte Carlo for systems larger than your Quantum Computer

• arxiv url: http://arxiv.org/abs/2405.04247v2
• Date: Mon, 13 Jan 2025 13:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:23:52.316128
• 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: より小さな量子コンピュータを用いて量子計算を行えるように,アルゴリズムの粒度を粗くする枠組みを導入する。 本手法は他の古典的および量子的手法と容易に組み合わせられ,様々な量子ハードウェア仕様に適応できる。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License:
• 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. Layden et al. [Nature 619, 282 (2023)] proposed a promising application by introducing a Quantum-enhanced Markov Chain Monte Carlo (QeMCMC) approach to reduce the thermalization time required when sampling from hard probability distributions. In QeMCMC 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 considerably 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 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; in this case only 6 simulated qubits suffice to gain advantage compared to standard classical approaches when investigating the magnetization of a 36 spin system. Our method can be easily combined with other classical and quantum techniques and is adaptable to various quantum hardware specifications -- in particular those with limited connectivity.
• 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 (2023)] は、硬度確率分布からサンプリングする際の熱化時間を削減するために量子化Markov Chain Monte Carlo (QeMCMC) アプローチを導入して有望な応用を提案した。 QeMCMC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,量子コンピュータを用いて量子計算を行えるようにアルゴリズムを粗粒化するための枠組みを導入し,この手法を粗粒化量子強化型マルコフ・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では、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が、$n$は元のQeMCMCで要求される量子ビットの数であり、リソースの二次的削減である。粗いグレーニングフレームワークは、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、近い将来に実際に適用できる可能性を持っている。この場合、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に比べて、わずか6つの量子ビットが有利である。我々の方法は、他の古典的および量子的手法と簡単に結合でき、特に、様々な量子ハードウェア仕様に適応することができる。

関連論文リスト

• Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
  本稿では,量子回路実行の並列化モデルを提案する。 このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
  論文  参考訳（メタデータ） (2024-06-05T17:16:07Z)
• 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)
• QAOA-MC: Markov chain Monte Carlo enhanced by Quantum Alternating Operator Ansatz [0.6181093777643575]
  本稿では,量子交換演算子 Ansatz (QAOA) のモンテカルロへの応用を提案する。 この研究は、現在利用可能な量子コンピュータで実用的な量子優位性を実現するための重要なステップである。
  論文  参考訳（メタデータ） (2023-05-15T16:47:31Z)
• 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)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors [25.18520278107402]
  量子処理ユニット(QPU)は、その量子ビットの要求量と品質の要求を満たす必要がある。 量子回路切断技術は、より強力なQPUを実現するために、大きな量子回路を複数の小さなサブ回路に切断して分散する。 われわれのツールはScaleQCと呼ばれ、新しいアルゴリズム技術を開発することでボトルネックに対処する。
  論文  参考訳（メタデータ） (2022-07-03T01:44:31Z)
• 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)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• 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。