論文の概要: Attention to Quantum Complexity
- arxiv url: http://arxiv.org/abs/2405.11632v2
- Date: Wed, 20 Nov 2024 21:27:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:16:06.849944
- Title: Attention to Quantum Complexity
- Title（参考訳）: 量子複雑性への注意
- Authors: Hyejin Kim, Yiqing Zhou, Yichen Xu, Kaarthik Varma, Amir H. Karamlou, Ilan T. Rosen, Jesse C. Hoke, Chao Wan, Jin Peng Zhou, William D. Oliver, Yuri D. Lensky, Kilian Q. Weinberger, Eun-Ah Kim,
- Abstract要約: 我々は,汎用的な古典的AIフレームワークQuantum Attention Network(QuAN)を紹介する。
QuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。
われわれはQuANを3つの異なる量子シミュレーション設定で厳格にテストしている。
- 参考スコア（独自算出の注目度）: 21.766643620345494
- License:
- Abstract: The imminent era of error-corrected quantum computing urgently demands robust methods to characterize complex quantum states, even from limited and noisy measurements. We introduce the Quantum Attention Network (QuAN), a versatile classical AI framework leveraging the power of attention mechanisms specifically tailored to address the unique challenges of learning quantum complexity. Inspired by large language models, QuAN treats measurement snapshots as tokens while respecting their permutation invariance. Combined with a novel parameter-efficient mini-set self-attention block (MSSAB), such data structure enables QuAN to access high-order moments of the bit-string distribution and preferentially attend to less noisy snapshots. We rigorously test QuAN across three distinct quantum simulation settings: driven hard-core Bose-Hubbard model, random quantum circuits, and the toric code under coherent and incoherent noise. QuAN directly learns the growth in entanglement and state complexity from experimentally obtained computational basis measurements. In particular, it learns the growth in complexity of random circuit data upon increasing depth from noisy experimental data. Taken to a regime inaccessible by existing theory, QuAN unveils the complete phase diagram for noisy toric code data as a function of both noise types. This breakthrough highlights the transformative potential of using purposefully designed AI-driven solutions to assist quantum hardware.
- Abstract（参考訳）: 誤り訂正量子コンピューティングの差し迫った時代は、制限されたノイズのある測定からでも、複雑な量子状態を特徴づけるための頑健な手法を緊急に要求している。
量子複雑性を学習する際のユニークな課題に対処するために,特に注意機構のパワーを活用する,汎用的な古典的AIフレームワークであるQuantum Attention Network(QuAN)を紹介した。
大規模な言語モデルにインスパイアされたQuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。
新たなパラメータ効率のミニセット自己アテンションブロック(MSSAB)と組み合わせたデータ構造により、QuANはビットストリング分布の高次モーメントにアクセスでき、ノイズの少ないスナップショットに優先的に対応できる。
我々はQuANを、ハードコアBose-Hubbardモデル、ランダム量子回路、コヒーレントで不整合な雑音下でのトーリックコードという、3つの異なる量子シミュレーション設定で厳格にテストした。
QuANは、実験によって得られた計算ベース測定から、絡み合いと状態の複雑さの増大を直接学習する。
特に、ノイズのある実験データから深度を増大させると、ランダム回路データの複雑さが増大するのを学習する。
既存の理論では到達不能な体制に移行したQuANは、両方のノイズ型の関数として、ノイズの多いトーリック符号データのための完全な位相図を公開している。
このブレークスルーは、意図的に設計されたAI駆動ソリューションを使用して量子ハードウェアを支援する、変革の可能性を浮き彫りにしている。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Noise-tolerant learnability of shallow quantum circuits from statistics and the cost of quantum pseudorandomness [0.0]
量子過程を学習するための量子統計クエリの自然な堅牢性を示す。
定深量子回路の学習アルゴリズムを量子統計クエリ設定に適用する。
擬似乱数ユニタリ(PRU)は一定深さの回路では構築できないことを示す。
論文 参考訳（メタデータ） (2024-05-20T14:55:20Z) - Unconditionally decoherence-free quantum error mitigation by density matrix vectorization [4.2630430280861376]
密度行列のベクトル化に基づく量子誤差緩和の新しいパラダイムを提案する。
提案手法は,情報符号化の方法を直接変更し,ノイズのない純状態に雑音の多い量子状態の密度行列をマッピングする。
我々のプロトコルは、ノイズモデルに関する知識、ノイズ強度を調整する能力、複雑な制御ユニタリのためのアンシラキュービットを必要としない。
論文 参考訳（メタデータ） (2024-05-13T09:55:05Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - Quantum benefit of the quantum equation of motion for the strongly
coupled many-body problem [0.0]
量子運動方程式 (quantum equation of motion, QEOM) はフェルミオン多体系の励起特性を計算するためのハイブリッド量子古典アルゴリズムである。
我々は、qEOMが要求される量子測定数の独立性により量子的利益を示すことを明らかに示している。
論文 参考訳（メタデータ） (2023-09-18T22:10:26Z) - Complexity analysis of weakly noisy quantum states via quantum machine
learning [1.203955415344484]
我々は弱雑音状態の複雑さに焦点を当て、ノイズ状態の準備に必要な最短量子回路のサイズとして定義する。
構造化量子ニューラルネットワークの固有接続特性を利用した量子機械学習(QML)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-31T06:02:44Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳（メタデータ） (2021-12-10T17:32:15Z) - 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) - A semi-agnostic ansatz with variable structure for quantum machine learning [0.3774866290142281]
変分量子アルゴリズム(VQA)は、短期量子コンピュータをプログラミングするための強力で柔軟なパラダイムを提供する。
本稿では,VQAのためのアンサーゼを構築するための可変構造アプローチを提案する。
我々は、凝縮物質および量子化学応用のための変分量子固有解法にVAnを用いる。
論文 参考訳（メタデータ） (2021-03-11T14:58:40Z)
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。