論文の概要: Sequential Hamiltonian Assembly: Enhancing the training of combinatorial optimization problems on quantum computers
- arxiv url: http://arxiv.org/abs/2408.04751v1
- Date: Thu, 8 Aug 2024 20:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 17:08:34.665298
- Title: Sequential Hamiltonian Assembly: Enhancing the training of combinatorial optimization problems on quantum computers
- Title（参考訳）: 連続ハミルトンアセンブリ:量子コンピュータにおける組合せ最適化問題のトレーニングの強化
- Authors: Navid Roshani, Jonas Stein, Maximilian Zorn, Michael Kölle, Philipp Altmann, Claudia Linnhoff-Popien,
- Abstract要約: 量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。
深層学習と同様に、勾配の消失は様々な情報源から生じるPQCの訓練性に大きな障害をもたらす。
本稿では、この問題に対処し、大域的損失関数を用いた量子アプリケーションのためのパラメータトレーニングを容易にするために、逐次ハミルトンアセンブリ(SHA)を提案する。
- 参考スコア（独自算出の注目度）: 4.385485960663339
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central challenge in quantum machine learning is the design and training of parameterized quantum circuits (PQCs). Much like in deep learning, vanishing gradients pose significant obstacles to the trainability of PQCs, arising from various sources. One such source is the presence of non-local loss functions, which require the measurement of a large subset of qubits involved. To address this issue and facilitate parameter training for quantum applications using global loss functions, we propose Sequential Hamiltonian Assembly (SHA). SHA iteratively approximates the loss by assembling it from local components. To further demonstrate the feasibility of our approach, we extend our previous case study by introducing a new partitioning strategy, a new merger between QAOA and SHA, and an evaluation of SHA onto the Max-Cut optimization problem. Simulation results show that SHA outperforms conventional parameter training by 43.89% and the empirical state-of-the-art, Layer-VQE by 29.08% in the mean accuracy for Max-Cut. This paves the way for locality-aware learning techniques, mitigating vanishing gradients for a large class of practically relevant problems.
- Abstract（参考訳）: 量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。
深層学習と同様に、勾配の消失は様々な情報源から生じるPQCの訓練性に大きな障害をもたらす。
そのような情報源の1つは非局所損失関数の存在であり、これは関係する量子ビットの大規模な部分集合の測定を必要とする。
この問題に対処し,大域的損失関数を用いた量子アプリケーションに対するパラメータトレーニングを容易にするために,逐次ハミルトンアセンブリ(SHA)を提案する。
SHAは、ローカルコンポーネントからそれを組み立てることで損失を反復的に近似する。
提案手法の有効性をさらに実証するため,新たな分割戦略,QAOAとSHAの合併,および最大カッツ最適化問題に対するSHAの評価を導入することで,これまでの事例研究を拡張した。
シミュレーションの結果、SHAは従来のパラメータトレーニングを43.89%、実証的なLayer-VQEを29.08%上回った。
これにより、局所性に配慮した学習手法の道が開かれ、実用的な問題の大きなクラスに対する消滅勾配が緩和される。
関連論文リスト
- MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。
良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。
ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合ディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2024-09-27T12:28:18Z) - KANQAS: Kolmogorov-Arnold Network for Quantum Architecture Search [0.0]
量子状態準備と量子化学におけるコルモゴロフ・アルノルドネットワーク(KAN)の実用性を評価する。
量子状態の準備において、我々の結果は、ノイズのないシナリオにおいて、マルチキュービットの最大絡み合う状態を生成する最適量子回路構成の確率は、マルチレイア知覚(MLP)よりも2〜5倍高いことを示している。
量子化学問題に対処するために,従来の構造ではなく,KAN(Curriculum Reinforcement Learning)とKAN構造を統合することで,最近提案されたQASアルゴリズムを強化する。
論文 参考訳（メタデータ） (2024-06-25T15:17:01Z) - ML-QLS: Multilevel Quantum Layout Synthesis [6.706813469929441]
ML-QLSは、新しいコスト関数とクラスタリング戦略を統合したスケーラブルな改善操作を備えた、最初のマルチレベル量子レイアウトツールである。
実験の結果,ML-QLSは数百の量子ビットを含む問題にスケールアップでき,大規模回路用QLSツールよりも優れた52%の性能向上を達成できることがわかった。
論文 参考訳（メタデータ） (2024-05-28T17:10:20Z) - Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly [4.646930308096446]
量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。
局所成分を用いて損失関数を反復的に近似する逐次ハミルトンアセンブリを提案する。
提案手法は,従来のパラメータトレーニングを29.99%,実証的手法であるレイヤワイズラーニングを5.12%,平均精度を5.12%向上させる。
論文 参考訳（メタデータ） (2023-12-09T11:47:32Z) - Zero-Shot Sharpness-Aware Quantization for Pre-trained Language Models [88.80146574509195]
量子化は、メモリオーバーヘッドを減らし、推論を加速するための有望なアプローチである。
種々のPLMのゼロショット量子化のための新しい量子化(ZSAQ)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-20T07:09:56Z) - Calculating the ground state energy of benzene under spatial
deformations with noisy quantum computing [0.0]
変分量子固有解器(VQE)を用いた空間変形下におけるベンゼンの基底状態エネルギーを計算する。
先進的なシミュレーションプラットフォームと実際の量子コンピュータを組み合わせることで、量子コンピュータに固有のノイズがどのように影響するかを解析した。
論文 参考訳（メタデータ） (2022-03-10T10:28:59Z) - Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。
問題の大きさと問題グラフの次数で指数関数的に増大する。
これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
論文 参考訳（メタデータ） (2022-01-06T21:02:30Z) - 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) - Mode connectivity in the loss landscape of parameterized quantum
circuits [1.7546369508217283]
パラメータ化量子回路(PQC)の変分訓練は、近時雑音型中間スケール量子(NISQ)デバイスに多く採用されている。
PQCトレーニングにおける損失ランドスケープの特徴を研究するために、引用したraxler 2018essentiallyで使用されるコネクティビティの視覚化とテストを行うために、citegoodfellowqualitatively,li 2017で導入されたニューラルネットワークの定性的な損失ランドスケープのキャラクタリゼーションを適用した。
論文 参考訳（メタデータ） (2021-11-09T18:28:46Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳（メタデータ） (2021-03-15T17:38:33Z) - Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。
この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
論文 参考訳（メタデータ） (2020-08-06T17:48:12Z)
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。