論文の概要: Improving the Reliability of Quantum Circuits by Evolving Heterogeneous Ensembles
- arxiv url: http://arxiv.org/abs/2409.09103v1
- Date: Fri, 13 Sep 2024 12:38:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 22:18:51.955685
- Title: Improving the Reliability of Quantum Circuits by Evolving Heterogeneous Ensembles
- Title（参考訳）: 不均一アンサンブルの進化による量子回路の信頼性向上
- Authors: Owain Parry, John Clark, Phil McMinn,
- Abstract要約: 量子コンピュータは、従来のコンピュータよりも指数関数的に高速な演算を実行できるが、量子回路の設計は困難である。
進化的アルゴリズムを用いて確率論的量子回路を作り、どの入力に対してもより頻繁に正しい出力を与える。
この結果から,異種アンサンブルの進化は,量子回路の信頼性向上に有効な戦略であることが示唆された。
- 参考スコア（独自算出の注目度）: 4.014524824655107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers can perform certain operations exponentially faster than classical computers, but designing quantum circuits is challenging. To that end, researchers used evolutionary algorithms to produce probabilistic quantum circuits that give the correct output more often than not for any input. They can be executed multiple times, with the outputs combined using a classical method (such as voting) to produce the final output, effectively creating a homogeneous ensemble of circuits (i.e., all identical). Inspired by n-version programming and ensemble learning, we developed a tool that uses an evolutionary algorithm to generate heterogeneous ensembles of circuits (i.e., all different), named QuEEn. We used it to evolve ensembles to solve the Iris classification problem. When using ideal simulation, we found the performance of heterogeneous ensembles to be greater than that of homogeneous ensembles to a statistically significant degree. When using noisy simulation, we still observed a statistically significant improvement in the majority of cases. Our results indicate that evolving heterogeneous ensembles is an effective strategy for improving the reliability of quantum circuits. This is particularly relevant in the current NISQ era of quantum computing where computers do not yet have good tolerance to quantum noise.
- Abstract（参考訳）: 量子コンピュータは、従来のコンピュータよりも指数関数的に高速な演算を実行できるが、量子回路の設計は困難である。
その目的のために、研究者は進化的アルゴリズムを使って確率論的量子回路を作り、どの入力に対してもより頻繁に正しい出力を与えました。
これらは複数回実行可能であり、出力は古典的な方法(投票など)と組み合わせて最終的な出力を生成し、回路の均一なアンサンブル(すなわち、すべて同一)を効果的に生成する。
n-バージョンプログラミングとアンサンブル学習にインスパイアされた我々は、進化的アルゴリズムを用いて回路の異種アンサンブルを生成するツールQuEEnを開発した。
我々は、アイリス分類問題を解くためにアンサンブルを進化させた。
理想的なシミュレーションでは, 異種アンサンブルは同種アンサンブルよりも統計的に有意な性能を示した。
ノイズシミュレーションでは,多くの症例で統計的に有意な改善がみられた。
この結果から,異種アンサンブルの進化は,量子回路の信頼性向上に有効な戦略であることが示唆された。
これは、コンピュータがまだ量子ノイズに優れた耐性を持っていない現在の量子コンピューティングのNISQ時代に特に関係している。
関連論文リスト
- Optimal multicore quantum computing with few interconnects [0.0]
本研究では,複数のコアに分散したランダム回路のパラダイム的普遍系列の複雑性挙動について検討する。
最適複雑性は相互接続がほとんどない状態で達成される。
また、同じサイズのコアを追加することで、プロセッサをスケールアップする際の複雑性特性も分析します。
論文 参考訳（メタデータ） (2025-01-17T15:23:54Z) - 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) - Compact quantum algorithms for time-dependent differential equations [0.0]
我々は、ユニタリの線形結合に基づくアイデアに基づいて、非ユニタリで非エルミート量子系をシミュレートする。
我々は,行列ベクトル乗算と行列逆演算を効率的に行うハイブリッド量子古典アルゴリズムを生成する。
論文 参考訳（メタデータ） (2024-05-16T02:14:58Z) - 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) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。
ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文 参考訳（メタデータ） (2022-07-07T08:04:15Z) - Estimating the randomness of quantum circuit ensembles up to 50 qubits [9.775777593425452]
ランダム回路が任意のランダムなユニタリを近似する能力は,その複雑性,表現性,訓練性に影響を及ぼすことを示す。
我々の研究は、大規模テンソルネットワークシミュレーションが量子情報科学におけるオープンな問題に重要なヒントを与える可能性を示唆している。
論文 参考訳（メタデータ） (2022-05-19T23:43:15Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Quantum Ensemble for Classification [2.064612766965483]
機械学習のパフォーマンスを改善する強力な方法は、複数のモデルの予測を組み合わせたアンサンブルを構築することである。
量子重ね合わせ,絡み合い,干渉を利用して分類モデルのアンサンブルを構築する新しい量子アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-02T11:26:54Z) - Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。
典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。
また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
論文 参考訳（メタデータ） (2019-12-31T19:00:00Z)
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。