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
- 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) - A Novel Spatial-Temporal Variational Quantum Circuit to Enable Deep
Learning on NISQ Devices [12.873184000122542]
本稿では,量子学習における非線形性を統合するために,新しい時空間設計,ST-VQCを提案する。
ST-VQCは、実際の量子コンピュータ上の既存のVQCと比較して30%以上の精度向上を達成できる。
論文 参考訳(メタデータ) (2023-07-19T06:17:16Z) - Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。
古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
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) - Evaluation of Parameterized Quantum Circuits with Cross-Resonance
Pulse-Driven Entanglers [0.27998963147546146]
変分量子アルゴリズム(VQA)は、ノイズの多い量子デバイスに非常に適したアルゴリズムの強力なクラスとして登場した。
これまでの研究では、VQAに対して有効なパラメタライズド量子回路(PQC)やアンサッツを選択することが、その全体的な性能に欠かせないことが示されている。
本稿では、量子マシンへのパルスレベルアクセスと2量子ビット相互作用の理解を利用して、2量子ビットエンタングルの設計を最適化する。
論文 参考訳(メタデータ) (2022-11-01T09:46:34Z) - Efficient Mean-Field Simulation of Quantum Circuits Inspired by Density
Functional Theory [1.3561290928375374]
量子回路(QC)の正確なシミュレーションは、現在$sim$50 qubitsに制限されている。
ここでは密度汎関数理論(DFT)にインスパイアされたQCのシミュレーションを示す。
我々の計算では、共通ゲートセットを持つ複数のQCのクラスにおいて、90%以上の精度で限界単一量子ビット確率を予測できる。
論文 参考訳(メタデータ) (2022-10-29T02:12:15Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳(メタデータ) (2022-07-14T12:22:51Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - 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。