Fugu-MT 論文翻訳(概要): Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation

論文の概要: Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation

arxiv url: http://arxiv.org/abs/2405.08100v1
Date: Mon, 13 May 2024 18:26:55 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 15:56:55.057510
Title: Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation
Title（参考訳）: パラメータ化量子回路表現性推定のためのグラフニューラルネットワーク
Authors: Shamminuj Aktar, Andreas Bärtschi, Diane Oyen, Stephan Eidenbenz, Abdel-Hameed A. Badawy,
Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
参考スコア（独自算出の注目度）: 5.074765131677166
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Parameterized quantum circuits (PQCs) are fundamental to quantum machine learning (QML), quantum optimization, and variational quantum algorithms (VQAs). The expressibility of PQCs is a measure that determines their capability to harness the full potential of the quantum state space. It is thus a crucial guidepost to know when selecting a particular PQC ansatz. However, the existing technique for expressibility computation through statistical estimation requires a large number of samples, which poses significant challenges due to time and computational resource constraints. This paper introduces a novel approach for expressibility estimation of PQCs using Graph Neural Networks (GNNs). We demonstrate the predictive power of our GNN model with a dataset consisting of 25,000 samples from the noiseless IBM QASM Simulator and 12,000 samples from three distinct noisy quantum backends. The model accurately estimates expressibility, with root mean square errors (RMSE) of 0.05 and 0.06 for the noiseless and noisy backends, respectively. We compare our model's predictions with reference circuits [Sim and others, QuTe'2019] and IBM Qiskit's hardware-efficient ansatz sets to further evaluate our model's performance. Our experimental evaluation in noiseless and noisy scenarios reveals a close alignment with ground truth expressibility values, highlighting the model's efficacy. Moreover, our model exhibits promising extrapolation capabilities, predicting expressibility values with low RMSE for out-of-range qubit circuits trained solely on only up to 5-qubit circuit sets. This work thus provides a reliable means of efficiently evaluating the expressibility of diverse PQCs on noiseless simulators and hardware.
Abstract（参考訳）: 量子化量子回路(PQC)は量子機械学習(QML)、量子最適化、変分量子アルゴリズム(VQAs)の基本である。 PQCの表現可能性(英: expressibility of PQCs)は、量子状態空間の全ポテンシャルを利用する能力を決定する尺度である。したがって、特定のPQCアンザッツを選択する際には、重要なガイドポストとなる。しかし、統計的推定による表現可能性計算には多くのサンプルが必要であるため、時間や計算資源の制約により大きな課題が生じる。本稿では,グラフニューラルネットワーク(GNN)を用いたPQCの表現可能性推定手法を提案する。我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。このモデルは、ノイズのないバックエンドとノイズの多いバックエンドに対して、それぞれ0.05と0.06のルート平均二乗誤差(RMSE)で表現性を正確に推定する。我々は,モデルの性能を評価するために,参照回路(Sim,QuTe'2019)とIBM Qiskitのハードウェア効率アンサッツセットを比較した。ノイズのないシナリオとノイズの多いシナリオにおける実験的な評価は、モデルの有効性を浮き彫りにして、基底真理表現率値と密に一致していることを示す。さらに,提案モデルでは,最大5量子ビット回路でのみトレーニングされた外乱量子ビット回路に対して,低RMSEで表現率を予測できる有望な外挿能力を示す。この研究は、ノイズレスシミュレータやハードウェア上での多様なPQCの表現性を効率的に評価する信頼性の高い手段を提供する。

関連論文リスト

Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文参考訳（メタデータ） (2024-11-13T23:56:20Z)
A Modified Depolarization Approach for Efficient Quantum Machine Learning [0.0]
2つのクラウス作用素を持つ単一キュービットの分極チャネルに対する変形表現を提案する。提案手法は,チャネルの実行毎に6つの行列乗算から4つの行列乗算へと計算複雑性を減少させる。この単純化されたノイズモデルは、分極下での量子回路のよりスケーラブルなシミュレーションを可能にする。
論文参考訳（メタデータ） (2024-04-10T20:17:40Z)
Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
論文参考訳（メタデータ） (2023-10-18T17:59:45Z)
Predicting Expressibility of Parameterized Quantum Circuits using Graph Neural Network [5.444441239596186]
量子回路(PQC)の表現性を予測するためのグラフニューラルネットワーク(GNN)に基づく新しい手法を提案する。グラフに基づくPQC表現を活用することで、GNNベースのモデルは、回路パラメータと結果の表現性の間の複雑な関係をキャプチャする。 4千個のランダムPQCデータセットとIBM Qiskitのハードウェア効率の良いアンサッツセットの実験評価により、我々のアプローチの優れた性能を示す。
論文参考訳（メタデータ） (2023-09-13T14:08:01Z)
QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文参考訳（メタデータ） (2023-08-25T15:08:19Z)
Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文参考訳（メタデータ） (2023-07-05T08:06:41Z)
Quantum Circuit Fidelity Improvement with Long Short-Term Memory Networks [1.2461503242570644]
NISQコンピュータは,従来の計算では実現不可能な多くのタスクを高速化する上で,大きな可能性を秘めている。重要な理由のひとつは、量子ハードウェアの脆弱な性質にある。量子回路(QC)の構成要素として、量子ゲートと量子ビットは外部干渉の影響を受けやすい。
論文参考訳（メタデータ） (2023-03-30T16:44:12Z)
QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [32.89844497610906]
TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
論文参考訳（メタデータ） (2022-10-30T02:35:31Z)
Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
論文参考訳（メタデータ） (2021-03-31T06:05:40Z)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)
On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。