論文の概要: Quantum Natural Stochastic Pairwise Coordinate Descent
- arxiv url: http://arxiv.org/abs/2407.13858v1
- Date: Thu, 18 Jul 2024 18:57:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-07-22 21:29:41.772274
- Title: Quantum Natural Stochastic Pairwise Coordinate Descent
- Title（参考訳）: 量子自然な確率的ペアワイド配位
- Authors: Mohammad Aamir Sohail, Mohsen Heidari Khoozani, S. Sandeep Pradhan,
- Abstract要約: 近年,変分量子アルゴリズム(VQA)による量子機械学習が注目されている。
本稿では,2QNSCD最適化法を提案する。
ゲート複雑性を持つ量子回路をパラメータ化量子回路と単発量子計測の2倍の精度で用いた,新しい計量テンソルの疎い非バイアス推定器を開発した。
- 参考スコア（独自算出の注目度）: 6.187270874122921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning through variational quantum algorithms (VQAs) has gained substantial attention in recent years. VQAs employ parameterized quantum circuits, which are typically optimized using gradient-based methods. However, these methods often exhibit sub-optimal convergence performance due to their dependence on Euclidean geometry. The quantum natural gradient descent (QNGD) optimization method, which considers the geometry of the quantum state space via a quantum information (Riemannian) metric tensor, provides a more effective optimization strategy. Despite its advantages, QNGD encounters notable challenges for learning from quantum data, including the no-cloning principle, which prohibits the replication of quantum data, state collapse, and the measurement postulate, which leads to the stochastic loss function. This paper introduces the quantum natural stochastic pairwise coordinate descent (2-QNSCD) optimization method. This method leverages the curved geometry of the quantum state space through a novel ensemble-based quantum information metric tensor, offering a more physically realizable optimization strategy for learning from quantum data. To improve computational efficiency and reduce sample complexity, we develop a highly sparse unbiased estimator of the novel metric tensor using a quantum circuit with gate complexity $\Theta(1)$ times that of the parameterized quantum circuit and single-shot quantum measurements. Our approach avoids the need for multiple copies of quantum data, thus adhering to the no-cloning principle. We provide a detailed theoretical foundation for our optimization method, along with an exponential convergence analysis. Additionally, we validate the utility of our method through a series of numerical experiments.
- Abstract（参考訳）: 近年,変分量子アルゴリズム(VQA)による量子機械学習が注目されている。
VQAsはパラメタライズド量子回路を採用しており、通常は勾配に基づく手法で最適化されている。
しかしながら、これらの手法はユークリッド幾何学に依存しているため、しばしば準最適収束性能を示す。
量子情報(リーマン的)計量テンソルによる量子状態空間の幾何学を考慮に入れた量子自然勾配降下(QNGD)最適化法は、より効果的な最適化戦略を提供する。
その利点にもかかわらず、QNGDは、量子データの複製を禁止し、状態崩壊を禁止し、確率的損失関数につながる測定仮説を含む、量子データから学ぶための顕著な課題に直面している。
本稿では,2-QNSCD最適化法を提案する。
この方法は、新しいアンサンブルベースの量子情報計量テンソルを通じて、量子状態空間の曲面幾何学を活用し、量子データから学習するためのより物理的に実現可能な最適化戦略を提供する。
計算効率の向上とサンプルの複雑さの低減を目的として,パラメータ化量子回路と単発量子計測の2倍の量子回路を用いた,新しい計量テンソルの疎い非バイアス推定器を開発した。
提案手法は,量子データの複数コピーの必要性を回避し,非閉鎖原理に固執する。
我々は、指数収束解析とともに、最適化手法の詳細な理論的基礎を提供する。
さらに,本手法の有効性を数値実験により検証した。
関連論文リスト
- Classical post-processing approach for quantum amplitude estimation [0.0]
本稿では,量子リソースへの依存を最小限に抑えつつ計算効率を向上させるために,量子振幅推定(QAE)手法を提案する。
提案手法は,量子コンピュータを用いて信号列を生成し,量子振幅を古典的な後処理手法により推定する。
論文 参考訳（メタデータ） (2025-02-08T15:51:31Z) - Quantum Natural Gradient with Geodesic Corrections for Small Shallow Quantum Circuits [0.0]
我々は、高次および測地補正を導入することにより、量子自然勾配(QNG)法を拡張した。
我々のアプローチは、幾何学的手法の利点を生かして、より効率的な量子アルゴリズムの道を開く。
論文 参考訳（メタデータ） (2024-09-05T15:54:02Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z) - Quantum Neural Architecture Search with Quantum Circuits Metric and
Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。
提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-06-28T16:23:24Z) - Provably efficient variational generative modeling of quantum many-body
systems via quantum-probabilistic information geometry [3.5097082077065003]
パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。
また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。
我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
論文 参考訳（メタデータ） (2022-06-09T17:58:15Z) - Adiabatic quantum computing with parameterized quantum circuits [0.0]
本稿では,近距離デバイスに実装可能なアディベート量子コンピューティングの離散バージョンを提案する。
提案アルゴリズムと変分量子固有解器を2つの古典最適化問題で比較する。
論文 参考訳（メタデータ） (2022-06-09T09:31:57Z) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳（メタデータ） (2022-03-30T02:02:16Z) - 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) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z) - Measuring Analytic Gradients of General Quantum Evolution with the
Stochastic Parameter Shift Rule [0.0]
本研究では,量子計測から直接最適化される関数の勾配を推定する問題について検討する。
マルチキュービットパラメトリック量子進化の勾配を推定するアルゴリズムを提供する数学的に正確な公式を導出する。
私たちのアルゴリズムは、利用可能な全ての量子ゲートがノイズである場合でも、いくつかの近似で機能し続けています。
論文 参考訳（メタデータ） (2020-05-20T18:24:11Z)
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。