Fugu-MT 論文翻訳(概要): Learning shallow quantum circuits with many-qubit gates

論文の概要: Learning shallow quantum circuits with many-qubit gates

arxiv url: http://arxiv.org/abs/2410.16693v1
Date: Tue, 22 Oct 2024 04:48:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-23 14:28:32.094351
Title: Learning shallow quantum circuits with many-qubit gates
Title（参考訳）: 多ビットゲートを用いた浅量子回路の学習
Authors: Francisca Vasconcelos, Hsin-Yuan Huang,
Abstract要約: 本稿では,量子回路の多ビットゲートを用いた平均ケース学習のための,計算効率のよい最初のアルゴリズムを提案する。学習したユニタリを多対数深度で効率的に合成できることが示される。
参考スコア（独自算出の注目度）: 1.879968161594709
License:
Abstract: We present the first computationally-efficient algorithm for average-case learning of shallow quantum circuits with many-qubit gates. Specifically, we provide a quasi-polynomial time and sample complexity algorithm for learning unknown QAC$^0$ circuits -- constant-depth circuits with arbitrary single-qubit gates and polynomially many $CZ$ gates of unbounded width -- up to inverse-polynomially small error. Furthermore, we show that the learned unitary can be efficiently synthesized in poly-logarithmic depth. This work expands the family of efficiently learnable quantum circuits, notably since in finite-dimensional circuit geometries, QAC$^0$ circuits require polynomial depth to implement.
Abstract（参考訳）: 本稿では,多くの量子ゲートを持つ浅量子回路の平均ケース学習のための,計算効率のよい最初のアルゴリズムを提案する。具体的には、未知のQAC$^0$回路を学習するための準多項式時間とサンプル複雑性アルゴリズムを提供する。さらに,学習したユニタリを多対数深度で効率的に合成できることを示す。この研究は、有限次元の回路幾何学において、QAC$^0$回路が実装するために多項式深さを必要とするため、効率よく学習可能な量子回路の族を拡張している。

関連論文リスト

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)
Implementing multi-controlled X gates using the quantum Fourier transform [0.0]
本稿では,多くの複雑な量子ゲートの実装において,量子演算に基づくアプローチを効果的に利用する方法を示す。回路の深さがわずか数個のアシラ量子ビットで大幅に低減されることを示す。
論文参考訳（メタデータ） (2024-07-25T13:22:00Z)
Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。短絡の新規・ハードウェア対応回路の発見能力を示す。本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文参考訳（メタデータ） (2024-06-18T01:49:48Z)
Learning shallow quantum circuits [7.411898489476803]
未知の$n$-qubit浅量子回路$U$を学習するためのアルゴリズムを提案する。また、未知の$n$-qubit状態$lvert psi rangle$の記述を学習するための古典的なアルゴリズムも提供する。提案手法では,局所反転に基づく量子回路表現と,これらの逆変換を組み合わせた手法を用いる。
論文参考訳（メタデータ） (2024-01-18T16:05:00Z)
Characterization, synthesis, and optimization of quantum circuits over multiple-control $\textit{Z}$-rotation gates: A systematic study [4.385466953937176]
我々は,Multiple-control $Z$-rotation (MCZR) ゲートからなる量子回路をプリミティブとして研究する。我々は任意のMCZR回路の深さを効果的に最適化するフレキシブルな反復アルゴリズムと共にゲート交換戦略を提案する。
論文参考訳（メタデータ） (2023-04-18T06:34:18Z)
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)
Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文参考訳（メタデータ） (2022-04-12T19:39:31Z)
Linear-depth quantum circuits for multiqubit controlled gates [3.0001636668817606]
マルチキュービット制御ユニタリゲートを分解する方式を提案する。我々は,IBM量子クラウドプラットフォーム上での実証実験により,本アルゴリズムの利点を示す。
論文参考訳（メタデータ） (2022-03-22T16:57:59Z)
Reducing the Depth of Linear Reversible Quantum Circuits [0.0]
量子コンピューティングでは、量子ビットのデコヒーレンス時間が計算時間を決定する。本稿では,既存のアルゴリズムの2倍の浅さの量子回路を生成する分割・征服アルゴリズムの実用的な定式化を提案する。全体としては、可逆関数のクラス全体の深さを一貫して減らし、アンシラフリーケースでは最大92%、アシラリーキュービットが利用可能であれば最大99%に抑えることができる。
論文参考訳（メタデータ） (2022-01-17T12:36:32Z)
Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文参考訳（メタデータ） (2021-04-01T19:06:00Z)
Machine Learning Optimization of Quantum Circuit Layouts [63.55764634492974]
本稿では量子回路マッピングQXXとその機械学習バージョンQXX-MLPを紹介する。後者は、レイアウトされた回路の深さが小さくなるように最適なQXXパラメータ値を自動的に推論する。近似を用いてレイアウト法を学習可能な経験的証拠を提示する。
論文参考訳（メタデータ） (2020-07-29T05:26:19Z)

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。