論文の概要: SA-DQAS: Self-attention Enhanced Differentiable Quantum Architecture Search
- arxiv url: http://arxiv.org/abs/2406.08882v3
- Date: Sun, 03 Aug 2025 14:03:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 20:32:48.503136
- Title: SA-DQAS: Self-attention Enhanced Differentiable Quantum Architecture Search
- Title（参考訳）: SA-DQAS: 自己アテンションを増強した微分可能な量子アーキテクチャ検索
- Authors: Yize Sun, Jiarui Liu, Zixin Wu, Volker Tresp, Yunpu Ma,
- Abstract要約: 自己認識機構を統合することで、微分可能な量子アーキテクチャ探索(DQAS)を強化するフレームワークであるSA-DQASを紹介する。
我々は、MaxCut、ジョブショップスケジューリング問題(JSSP)、量子化学シミュレーション、エラー軽減など、複数のタスクにわたるSA-DQASを評価した。
以上の結果から,SA-DQASはトレーニング中の回路品質を向上するだけでなく,短期量子デバイスへの実用的な展開を可能にすることが示唆された。
- 参考スコア（独自算出の注目度）: 23.910473183177505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce SA-DQAS, a novel framework that enhances Differentiable Quantum Architecture Search (DQAS) by integrating a self-attention mechanism, enabling more effective quantum circuit design for variational quantum algorithms. Unlike DQAS, which treats placeholders independently, SA-DQAS captures inter-placeholder dependencies to improve architecture learning. We evaluate SA-DQAS across multiple tasks, including MaxCut, Job-Shop Scheduling Problem (JSSP), quantum chemistry simulation, and error mitigation. Experimental results show that SA-DQAS outperforms baselines and prior QAS methods in most cases, producing architectures with better stability, convergence, and noise resilience. To assess scalability and hardware readiness, we further test SA-DQAS-generated circuits on IBM's quantum device using the MaxCut problem. Circuits trained on small graphs are stacked to solve larger instances without retraining, demonstrating generalization to real hardware and larger problem sizes. Our results suggest that SA-DQAS not only improves circuit quality during training but also enables practical deployment on near-term quantum devices. This research represents the first successful integration of self-attention mechanism with DQAS.
- Abstract（参考訳）: 我々は、自己アテンション機構を統合し、可変量子アルゴリズムのためのより効率的な量子回路設計を可能にすることで、微分可能な量子アーキテクチャ探索(DQAS)を強化する新しいフレームワークであるSA-DQASを紹介する。
プレースホルダーを独立して扱うDQASとは異なり、SA-DQASはプレースホルダー間の依存関係をキャプチャしてアーキテクチャ学習を改善する。
我々は、MaxCut、ジョブショップスケジューリング問題(JSSP)、量子化学シミュレーション、エラー軽減など、複数のタスクにわたるSA-DQASを評価した。
実験結果から,SA-DQASはベースラインや先行QAS法よりも優れ,安定性,収束性,耐雑音性に優れたアーキテクチャを実現していることがわかった。
スケーラビリティとハードウェアの整合性を評価するため、MaxCut問題を用いて、IBMの量子デバイス上でSA-DQAS生成回路を更にテストする。
小さなグラフでトレーニングされた回路は、再トレーニングせずにより大きなインスタンスを解決するために積み上げられ、実際のハードウェアへの一般化とより大きな問題サイズを示す。
以上の結果から,SA-DQASはトレーニング中の回路品質を向上するだけでなく,短期量子デバイスへの実用的な展開を可能にすることが示唆された。
この研究は、DQASと自己注意機構の統合が成功した最初の例である。
関連論文リスト
- Benchmarking Quantum Architecture Search with Surrogate Assistance [0.0]
本稿では,SQuASH,Surrogate Quantum Architecture Search Helperを紹介する。
本稿では,QASのサロゲートベンチマークを作成する手法を提案し,QAS手法の実行と比較を高速化する能力を実証する。
論文 参考訳（メタデータ） (2025-06-07T11:11:04Z) - Extending quantum annealing to continuous domains: a hybrid method for quadratic programming [1.0878040851638]
本稿では,連続最適化問題に対処する量子拡張型アニーリング(QESA)を提案する。
QESAは離散化を必要とせず、量子資源を使用する。
QESAは、ソリューションの品質において、古典的なベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2025-04-02T19:09:59Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Reinforcement learning-assisted quantum architecture search for variational quantum algorithms [0.0]
この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。
本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。
様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
論文 参考訳（メタデータ） (2024-02-21T12:30:39Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - 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) - 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 circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳（メタデータ） (2022-01-04T01:53:42Z) - 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) - Differentiable Quantum Architecture Search [15.045985536395479]
微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。
DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
論文 参考訳（メタデータ） (2020-10-16T18:00:03Z)
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。