論文の概要: Benchmarking Optimizers for Qumode State Preparation with Variational Quantum Algorithms

• arxiv url: http://arxiv.org/abs/2405.04499v1
• Date: Tue, 7 May 2024 17:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 13:11:46.834472
• Title: Benchmarking Optimizers for Qumode State Preparation with Variational Quantum Algorithms
• Title（参考訳）: 変分量子アルゴリズムによるQumode状態生成のためのベンチマーク最適化
• Authors: Shuwen Kan, Miguel Palma, Zefan Du, Samuel A Stein, Chenxu Liu, Juntao Chen, Ang Li, Ying Mao,
• Abstract要約: この分野の進歩と潜在的な応用により、クォーモックへの関心が高まっている。 本稿では,変分量子アルゴリズムを用いて状態準備に使用する各種パラメータのパフォーマンスベンチマークを提供することにより,このギャップを埋めることを目的とする。
• 参考スコア（独自算出の注目度）: 10.941053143198092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum state preparation involves preparing a target state from an initial system, a process integral to applications such as quantum machine learning and solving systems of linear equations. Recently, there has been a growing interest in qumodes due to advancements in the field and their potential applications. However there is a notable gap in the literature specifically addressing this area. This paper aims to bridge this gap by providing performance benchmarks of various optimizers used in state preparation with Variational Quantum Algorithms. We conducted extensive testing across multiple scenarios, including different target states, both ideal and sampling simulations, and varying numbers of basis gate layers. Our evaluations offer insights into the complexity of learning each type of target state and demonstrate that some optimizers perform better than others in this context. Notably, the Powell optimizer was found to be exceptionally robust against sampling errors, making it a preferred choice in scenarios prone to such inaccuracies. Additionally, the Simultaneous Perturbation Stochastic Approximation optimizer was distinguished for its efficiency and ability to handle increased parameter dimensionality effectively.
• Abstract（参考訳）: 量子状態の準備には、初期システム、量子機械学習や線形方程式の解法のような応用に不可欠なプロセス、からターゲット状態を作成することが含まれる。 近年、この分野の進展と応用の可能性により、クォーモックへの関心が高まっている。 しかし、この地域に特化している文献には顕著なギャップがある。 本稿では,変分量子アルゴリズムを用いて状態準備に使用する各種オプティマイザの性能ベンチマークを提供することにより,このギャップを埋めることを目的とする。 我々は,様々なターゲット状態,理想とサンプリングの両方のシミュレーション,さまざまな基底ゲート層を含む,複数のシナリオにわたる広範囲なテストを行った。 我々の評価は、対象状態のタイプごとに学習する複雑さに関する洞察を与え、この文脈では、最適化者が他の状況よりも優れていることを示す。 特に、Powellオプティマイザはサンプリングエラーに対して非常に堅牢であることが判明し、このような不正確なシナリオでは好まれる選択となった。 さらに、パラメータの次元の増大を効果的に処理する効率と能力で、同時摂動確率近似最適化器を区別した。

関連論文リスト

• Implementing transferable annealing protocols for combinatorial optimisation on neutral atom quantum processors: a case study on smart-charging of electric vehicles [1.53934570513443]
  本稿では,類似した局所構造を持つ問題インスタンス間のパラメータ転送可能性の有望性に基づいて構築する。 本研究は,共有ジオメトリを持つグラフ族上の最大独立集合問題に対して,最適パラメータが自然に集中していることを明らかにする。 本手法を用いて,実データセット上でのスマートチャージ最適化問題に対処する。
  論文  参考訳（メタデータ） (2024-11-25T18:41:02Z)
• Bayesian optimization for state engineering of quantum gases [1.6144007597015433]
  量子オブジェクトの状態工学は、ほとんどの実装において中心的な要件である。 本稿では,多出力ガウス過程に基づくベイズ最適化を提案する。 これは複雑な量子系の効率的な状態工学への道を開く。
  論文  参考訳（メタデータ） (2024-04-28T16:24:28Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Randomized Benchmarking of Local Zeroth-Order Optimizers for Variational Quantum Systems [65.268245109828]
  古典学のパフォーマンスを、半ランダム化された一連のタスクで比較する。 量子システムにおける一般に好適な性能とクエリ効率のため、局所ゼロ階数に着目する。
  論文  参考訳（メタデータ） (2023-10-14T02:13:26Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Quantum algorithm for robust optimization via stochastic-gradient online learning [0.0]
  我々は、Ben-Talらによるオンラインロバスト最適化メタアルゴリズムを考察し、幅広い下位段階において、このアルゴリズムが元の非確率バージョンと同じ保証を持つことを示す。 我々は,このアルゴリズムの量子バージョンを開発し,少なくとも次元の2次改善が達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-05T07:25:07Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• 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)
• Using models to improve optimizers for variational quantum algorithms [1.7475326826331605]
  変分量子アルゴリズムは、ノイズの多い中間スケール量子コンピュータの初期応用の第一候補である。 これらのアルゴリズムは、パラメータ化量子回路の機能を最小化する古典的な最適化外ループに依存している。 本稿では,2つの最適化手法を導入し,その性能を今日の一般的な手法と数値的に比較する。
  論文  参考訳（メタデータ） (2020-05-22T05:23:23Z)
• Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
  QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。 このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。 本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-03-11T13:52:41Z)

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。