論文の概要: What is my quantum computer good for? Quantum capability learning with physics-aware neural networks

• arxiv url: http://arxiv.org/abs/2406.05636v1
• Date: Sun, 9 Jun 2024 04:11:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 18:46:42.941458
• Title: What is my quantum computer good for? Quantum capability learning with physics-aware neural networks
• Title（参考訳）: 私の量子コンピュータは、何が良いのか?物理を意識したニューラルネットワークによる量子能力学習
• Authors: Daniel Hothem, Ashe Miller, Timothy Proctor,
• Abstract要約: 本稿では,学習能力モデルのための量子物理学的ニューラルネットワークアーキテクチャを提案する。 我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。 このアプローチは、実験データとシミュレーションデータの両方における平均絶対誤差を最大$sim50%$還元する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computers have the potential to revolutionize diverse fields, including quantum chemistry, materials science, and machine learning. However, contemporary quantum computers experience errors that often cause quantum programs run on them to fail. Until quantum computers can reliably execute large quantum programs, stakeholders will need fast and reliable methods for assessing a quantum computer's capability-i.e., the programs it can run and how well it can run them. Previously, off-the-shelf neural network architectures have been used to model quantum computers' capabilities, but with limited success, because these networks fail to learn the complex quantum physics that determines real quantum computers' errors. We address this shortcoming with a new quantum-physics-aware neural network architecture for learning capability models. Our architecture combines aspects of graph neural networks with efficient approximations to the physics of errors in quantum programs. This approach achieves up to $\sim50\%$ reductions in mean absolute error on both experimental and simulated data, over state-of-the-art models based on convolutional neural networks.
• Abstract（参考訳）: 量子コンピュータは、量子化学、材料科学、機械学習など様々な分野に革命をもたらす可能性がある。 しかし、現代の量子コンピュータは、しばしばそれら上で実行される量子プログラムが失敗するエラーを経験する。 量子コンピュータが大きな量子プログラムを確実に実行できるようになるまで、ステークホルダーは量子コンピュータの能力を評価するための高速で信頼性の高い方法、すなわち、実行可能なプログラム、そしてそれがどれだけうまく実行できるかを評価する必要がある。 従来、既製のニューラルネットワークアーキテクチャは量子コンピュータの能力をモデル化するために用いられてきたが、実際の量子コンピュータのエラーを決定する複雑な量子物理学を学ばなかったため、成功は限られていた。 我々は、学習能力モデルのための新しい量子物理対応ニューラルネットワークアーキテクチャで、この欠点に対処する。 我々のアーキテクチャは、量子プログラムにおけるエラーの物理に対する効率的な近似とグラフニューラルネットワークの側面を組み合わせる。 このアプローチは、畳み込みニューラルネットワークに基づく最先端モデルに対して、実験データとシミュレーションデータの両方の平均絶対誤差を最大$\sim50\%$還元する。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Tensor networks for quantum machine learning [0.0]
  本稿では,MPS,PEPS,TTN,MERAなどのレイアウトを量子コンピュータにマップする方法について議論する。 また、機械学習やデータエンコーディングにどのように使用できるか、実装技術によってパフォーマンスが向上するかについても論じる。
  論文  参考訳（メタデータ） (2023-03-21T10:46:56Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• A Hybrid Quantum-Classical Neural Network Architecture for Binary Classification [0.0]
  本稿では,各ニューロンが変動量子回路であるハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 シミュレーションハードウェアでは、ハイブリッドニューラルネットワークは、個々の変動量子回路よりも約10%高い分類精度とコストの20%の最小化を実現している。
  論文  参考訳（メタデータ） (2022-01-05T21:06:30Z)
• Exploration of Quantum Neural Architecture by Mixing Quantum Neuron Designs [23.747282946165097]
  本稿では、量子ニューロン設計を混合して量子ニューラルアーキテクチャを構築するための最初の試みを行う。 既存の量子ニューロンの設計は、変動量子回路(VQC)や量子フロー(QuantumFlow)のニューロンなど、かなり異なるが相補的なものである。 我々はこれらを混ぜ合わせて,コストのかかる測定を伴わずにシームレスに接続する方法を提案する。
  論文  参考訳（メタデータ） (2021-09-08T17:47:54Z)
• QuantumFed: A Federated Learning Framework for Collaborative Quantum Training [10.635097939284751]
  本稿では,複数の量子ノードを持つ量子連合学習フレームワークであるQuantumFedを提案する。 我々の実験は、我々のフレームワークの実現可能性と堅牢性を示している。
  論文  参考訳（メタデータ） (2021-06-16T20:28:11Z)
• On quantum neural networks [91.3755431537592]
  量子ニューラルネットワークの概念は、その最も一般的な関数の観点から定義されるべきである。 我々の推論は、量子力学におけるファインマン経路積分定式化の利用に基づいている。
  論文  参考訳（メタデータ） (2021-04-12T18:30:30Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• Quantum algorithms for quantum chemistry and quantum materials science [2.867517731896504]
  本稿では, 電子構造, 量子統計力学, 量子力学の分野において, 量子コンピュータ上での解に対する潜在的な関心について, 化学・材料科学の中心的な問題を簡潔に述べる。 我々は、基底状態、力学、熱状態シミュレーションのための量子アルゴリズムの現在の進歩の詳細なスナップショットを取得し、将来の発展のためにそれらの強みと弱点を分析する。
  論文  参考訳（メタデータ） (2020-01-10T22:49:56Z)

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。