論文の概要: Machine learning framework for predicting the entangling capability of parameterized quantum circuits
- arxiv url: http://arxiv.org/abs/2406.01997v1
- Date: Tue, 4 Jun 2024 06:28:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 17:50:34.139787
- Title: Machine learning framework for predicting the entangling capability of parameterized quantum circuits
- Title（参考訳）: パラメータ化量子回路のエンタングル能力予測のための機械学習フレームワーク
- Authors: Shikun Zhang, Yang Zhou, Zheng Qin, Rui Li, Chunxiao Du, Zhisong Xiao, Yongyou Zhang,
- Abstract要約: 変分量子アルゴリズム(VQA)は有望な解であるが、その性能はパラメータ化量子回路(PQC)に大きく依存している。
PQCsの絡み合いはPQCsを構築する上で重要な指標である。
本稿では,長期記憶(LSTM)モデルとゲート符号化技術を用いて,PQCの絡み合う能力を予測する機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.975555487972166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the noisy intermediate-scale quantum (NISQ) era, quantum devices face significant limitations. Variational quantum algorithms (VQAs) are promising solutions, but their performance heavily depends on the parameterized quantum circuits (PQCs) they utilize. The entanglement of PQCs is an important metric for constructing PQCs. This is because entanglement is not only a key property that distinguishes quantum from classical computing, but it also affects the computational performance of VQAs. However, due to the extensive quantum state sampling required, its computational cost is very high. To address this challenge, we propose a machine learning framework that utilizes a long short-term memory (LSTM) model and gate encoding technology to predict the entangling capability of PQCs. By encoding PQCs into matrix sequences via gate encoding technology and feeding them into an LSTM model at different time steps, our method effectively simulates quantum dynamic evolution. We trained the LSTM model on a dataset of random PQCs. For testing scenarios, our model achieved a pearson correlation coefficient (Pc) of 0.9791 and an root mean square error (RMSE) of 0.05, demonstrating high prediction accuracy and validating the framework's effectiveness. This approach significantly reduces the entanglement computational cost associated with sampling quantum states and provides a practical tool for designing PQC structures and theoretically analyzing the role of entanglement in PQCs.
- Abstract（参考訳）: ノイズの多い中間スケール量子(NISQ)時代には、量子デバイスは重大な制限に直面している。
変分量子アルゴリズム(VQA)は有望な解であるが、その性能はそれらが利用するパラメータ化量子回路(PQC)に大きく依存する。
PQCsの絡み合いはPQCsを構築する上で重要な計量である。
これは、絡み合いが量子と古典コンピューティングを区別する重要な性質であるだけでなく、VQAの計算性能にも影響を及ぼすためである。
しかし、広い量子状態サンプリングを必要とするため、計算コストは非常に高い。
この課題に対処するために,長い短期記憶モデルとゲートエンコーディング技術を用いて,PQCの絡み合う能力を予測する機械学習フレームワークを提案する。
ゲート符号化技術を用いてPQCを行列列に符号化し、異なる時間ステップでLSTMモデルに供給することにより、量子力学の進化を効果的にシミュレートする。
ランダムなPQCのデータセットを用いてLSTMモデルを訓練した。
テストシナリオでは, ピアソン相関係数0.9791, 根平均二乗誤差0.05を達成し, 高い予測精度を示し, フレームワークの有効性を検証した。
このアプローチは、サンプリング量子状態に関連する絡み合い計算コストを大幅に削減し、PQCの構造を設計し、PQCにおける絡み合いの役割を理論的に解析するための実用的なツールを提供する。
関連論文リスト
- Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。
1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。
VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
論文 参考訳（メタデータ） (2024-09-24T18:00:00Z) - Analysis of Parameterized Quantum Circuits: on The Connection Between Expressibility and Types of Quantum Gates [2.527892855172764]
等化量子回路(PQC)の表現性は重要な要素である
本稿では,PQC内の表現可能性と量子ゲートの型との関係を解析する。
分析の結果から,高表現能PQCの設計指針が得られた。
論文 参考訳（メタデータ） (2024-08-02T06:20:36Z) - 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) - 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) - Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。
本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。
我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
論文 参考訳（メタデータ） (2023-10-11T14:29:11Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Reducing Unitary Coupled Cluster Circuit Depth by Classical Stochastic
Amplitude Pre-Screening [0.0]
Unitary Coupled Cluster (UCC)アプローチは、量子化学計算を実行するために量子ハードウェアを利用するための魅力的な方法である。
本稿では,従来のUCC前処理ステップを用いてUCCアンサッツの重要な励起を判定する,古典量子と古典量子の併用手法を提案する。
論文 参考訳（メタデータ） (2021-08-24T18:34:14Z) - 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)
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。