論文の概要: Predicting quantum learnability from landscape fluctuation

• arxiv url: http://arxiv.org/abs/2406.11805v2
• Date: Thu, 14 Nov 2024 16:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:21:29.748696
• Title: Predicting quantum learnability from landscape fluctuation
• Title（参考訳）: ランドスケープ変動による量子学習可能性の予測
• Authors: Hao-Kai Zhang, Chenghong Zhu, Xin Wang,
• Abstract要約: トレーニング容易性と表現可能性の衝突は、変分量子コンピューティングと量子機械学習における重要な課題である。 与えられた学習環境のゆらぎを学習可能な標準的な景観と比較することにより,学習可能性の簡易かつ効率的な指標を示す。 クリーフォードサンプリング(Clifford sample)は、量子デバイスを実際に訓練することなく、古典的なコンピュータ上で効率的に推定できる。
• 参考スコア（独自算出の注目度）: 4.852613028421959
• License:
• Abstract: The conflict between trainability and expressibility is a key challenge in variational quantum computing and quantum machine learning. Resolving this conflict necessitates designing specific quantum neural networks (QNN) tailored for specific problems, which urgently needs a general and efficient method to predict the learnability of QNNs without costly training. In this work, we demonstrate a simple and efficient metric for learnability by comparing the fluctuations of the given training landscape with standard learnable landscapes. This metric shows surprising effectiveness in predicting learnability as it unifies the effects of insufficient expressibility, barren plateaus, bad local minima, and overparametrization. Importantly, it can be estimated efficiently on classical computers via Clifford sampling without actual training on quantum devices. We conduct extensive numerical experiments to validate its effectiveness regarding physical and random Hamiltonians. We also prove a compact lower bound for the metric in locally scrambled circuits as analytical guidance. Our findings enable efficient predictions of learnability, allowing fast selection of suitable QNN architectures for a given problem without training, which can greatly improve the efficiency especially when access to quantum devices is limited.
• Abstract（参考訳）: トレーニング容易性と表現可能性の対立は、変分量子コンピューティングと量子機械学習における重要な課題である。 この対立を解決するには、特定の問題に適した特定の量子ニューラルネットワーク(QNN)の設計が必要である。 本研究では,与えられた学習環境のゆらぎを学習可能な標準的な景観と比較することにより,学習可能性の簡易かつ効率的な指標を示す。 この指標は, 不十分な表現性, 不毛な台地, 悪い局所最小値, 過度なパラメトリゼーションの効果を統一することにより, 学習可能性の予測に驚くべき効果を示す。 重要なことは、量子デバイスでの実際のトレーニングなしで、Cliffordサンプリングを通じて、古典的なコンピュータ上で効率的に推定することができることである。 我々は、物理およびランダムハミルトニアンに関するその有効性を検証するために、広範な数値実験を行う。 また、局所スクランブル回路における計量のコンパクトな下界を解析的ガイダンスとして証明する。 本研究は,学習可能性の効率的な予測を可能にし,与えられた問題に対する適切なQNNアーキテクチャの迅速な選択を可能にし,特に量子デバイスへのアクセスが制限された場合の効率を大幅に向上させることができる。

関連論文リスト

• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、表現性、推論速度、トレーニング効率の観点から、ノイズロストで無条件の量子学習の利点を厳格に確立する。 我々の証明は情報理論であり、この優位性の起源を示唆している。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• Scalable quantum measurement error mitigation via conditional independence and transfer learning [0.951828574518325]
  量子システムにおける測定誤差を量子誤差補正に頼ることなく軽減することは、量子技術の実用化に不可欠である。 深層学習に基づく量子計測誤差軽減は、非線形ノイズを補正する能力のため、線形反転法よりも有利である。 本稿では,遠隔量子ビットの独立性を活用し,転送学習手法を取り入れたスケーラブルな量子計測誤差低減手法を提案する。
  論文  参考訳（メタデータ） (2023-08-01T06:39:01Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• 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)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• 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)
• Fundamental limitations on optimization in variational quantum algorithms [7.165356904023871]
  そのような短期量子アプリケーションを確立するための主要なパラダイムは、変分量子アルゴリズム(VQA)である。 このようなランダム回路の幅広いクラスにおいて、コスト関数の変動範囲は、高い確率で量子ビット数で指数関数的に消えることを示す。 この結果は、勾配に基づく最適化と勾配のない最適化の制約を自然に統一し、VQAのトレーニングランドスケープに余分な厳しい制約を明らかにすることができる。
  論文  参考訳（メタデータ） (2022-05-10T17:14:57Z)
• Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
  本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。 特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-27T21:15:35Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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。