論文の概要: Leveraging Quantum Machine Learning Generalization to Significantly Speed-up Quantum Compilation

• arxiv url: http://arxiv.org/abs/2405.12866v2
• Date: Mon, 19 Aug 2024 18:13:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 19:49:55.099742
• Title: Leveraging Quantum Machine Learning Generalization to Significantly Speed-up Quantum Compilation
• Title（参考訳）: 量子機械学習の一般化による量子コンパイルの高速化
• Authors: Alon Kukliansky, Lukasz Cincio, Ed Younis, Costin Iancu,
• Abstract要約: QFactor-Sampleは行列行列演算をより単純な$mathcalO(2n)$回路シミュレーションで置き換える。 拡張性の向上とコンパイル時間の短縮を実証し、8キュービット以上の回路に対して平均スピードアップ係数69を達成した。
• 参考スコア（独自算出の注目度）: 0.7049738935364297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing numerical optimizers deployed in quantum compilers use expensive $\mathcal{O}(4^n)$ matrix-matrix operations. Inspired by recent advances in quantum machine learning (QML), QFactor-Sample replaces matrix-matrix operations with simpler $\mathcal{O}(2^n)$ circuit simulations on a set of sample inputs. The simpler the circuit, the lower the number of required input samples. We validate QFactor-Sample on a large set of circuits and discuss its hyperparameter tuning. When incorporated in the BQSKit quantum compiler and compared against a state-of-the-art domain-specific optimizer, We demonstrate improved scalability and a reduction in compile time, achieving an average speedup factor of 69 for circuits with more than 8 qubits. We also discuss how improved numerical optimization affects the dynamics of partitioning-based compilation schemes, which allow a trade-off between compilation speed and solution quality.
• Abstract（参考訳）: 量子コンパイラにデプロイされた既存の数値オプティマイザは、高価な$\mathcal{O}(4^n)$Matrix-matrix演算を使用する。 量子機械学習(QML)の最近の進歩に触発されたQFactor-Sampleは、行列行列演算を単純な$\mathcal{O}(2^n)$回路シミュレーションに置き換える。 回路がシンプルになればなるほど、必要な入力サンプルの数が少なくなる。 大規模な回路上でQFactor-Sampleを検証し、そのハイパーパラメータチューニングについて議論する。 BQSKit量子コンパイラに組み込んで、最先端のドメイン固有オプティマイザと比較すると、スケーラビリティの向上とコンパイル時間の短縮が示され、8キュービット以上の回路に対する平均スピードアップ係数69が達成された。 また,数値最適化の改善が分割型コンパイル方式の力学にどのように影響するかを論じ,コンパイル速度と解品質のトレードオフを可能にする。

関連論文リスト

• Bias-Field Digitized Counterdiabatic Quantum Algorithm for Higher-Order Binary Optimization [39.58317527488534]
  本稿では,高次非拘束二元最適化(HUBO)問題に対処するため,BF-DCQOアルゴリズムを改良した。 我々のプロトコルは、重いヘックスアーキテクチャを持つIBM量子プロセッサ上で、156量子ビットを用いて実験的に検証されている。
  論文  参考訳（メタデータ） (2024-09-05T17:38:59Z)
• Non-native Quantum Generative Optimization with Adversarial Autoencoders [34.82692226532414]
  本稿では、大規模最適化問題を既存の量子サンプリングにマッピングするために使用できる逆量子オートエンコーダモデル(AQAM)を紹介する。 従来のマルコフ・チェインモンテカルロ試料と比較すると,AQAMはレニイ偏差が低く,スペクトルギャップが大きくなることが示されている。
  論文  参考訳（メタデータ） (2024-07-18T18:03:18Z)
• Light Cone Cancellation for Variational Quantum Eigensolver Ansatz [3.1347083354427707]
  変分量子アルゴリズム(VQA)は、ハイブリッドアプローチを利用するアルゴリズムのクラスである。 本研究では,光コーンキャンセラ法 (LCC) を用いて変動回路の最適化を行う。 その結果,LCCはLCCを含まない場合よりも高い近似比が得られることがわかった。
  論文  参考訳（メタデータ） (2024-04-30T12:31:03Z)
• Performance analysis of a filtering variational quantum algorithm [0.0]
  Filtering Variational Quantum Eigensolver (F-VQE) は、既存の量子コンピュータにおける最適化問題を解くために設計された変分型ハイブリッド量子アルゴリズムである。 我々は、パラメータ化量子回路として、瞬時量子多項式回路を用いる。 F-VQEの実用的優位性には大きな発展が必要であると結論付けている。
  論文  参考訳（メタデータ） (2024-04-13T08:50:44Z)
• Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
  我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。 我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
  論文  参考訳（メタデータ） (2024-01-17T18:59:38Z)
• Quantum Circuit Unoptimization [0.6449786007855248]
  我々は、量子回路最適化と呼ばれる量子アルゴリズムプリミティブを構築する。 回路等価性を保ちながらいくつかの冗長性を導入することで、与えられた量子回路複合体を作る。 我々は、量子回路の最適化を用いて、コンパイラベンチマークを生成し、回路最適化性能を評価する。
  論文  参考訳（メタデータ） (2023-11-07T08:38:18Z)
• Efficient DCQO Algorithm within the Impulse Regime for Portfolio Optimization [41.94295877935867]
  本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。 提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。 我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:53:08Z)
• Improving Quantum Circuit Synthesis with Machine Learning [0.7894596908025954]
  機械学習をユニタリデータセットに適用することで、合成アルゴリズムの大幅な高速化が可能になることを示す。 本稿では,学習モデルを用いたシード合成アルゴリズムQSeedについて述べる。
  論文  参考訳（メタデータ） (2023-06-09T01:53:56Z)
• Optimization at the Interface of Unitary and Non-unitary Quantum Operations in PCOAST [0.3496513815948205]
  Pauliベースの回路最適化・分析・合成ツールチェーン(PCOAST)は、量子回路を最適化するためのフレームワークとして導入された。 本稿では,単元演算と非単元演算の場合にPCOASTグラフを最適化するサブルーチンの集合に着目した。 本稿では,変分量子固有解法(VQE)アルゴリズムの例として,Intel Quantum SDKを用いたPCOAST最適化サブルーチンの評価を行った。
  論文  参考訳（メタデータ） (2023-05-16T22:58:14Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
  本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。 後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。 近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
  論文  参考訳（メタデータ） (2020-07-29T05:26:19Z)

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。