論文の概要: From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware

• arxiv url: http://arxiv.org/abs/2411.00230v1
• Date: Thu, 31 Oct 2024 22:02:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:51:00.015198
• Title: From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware
• Title（参考訳）: 量子問題と学習したガジェットをリアルハードウェアで解決する「Easy to Hard」
• Authors: Akash Kundu, Leopoldo Sarra,
• Abstract要約: 強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Building quantum circuits that perform a given task is a notoriously difficult problem. Reinforcement learning has proven to be a powerful approach, but many limitations remain due to the exponential scaling of the space of possible operations on qubits. In this paper, we develop an algorithm that automatically learns composite gates ("$gadgets$") and adds them as additional actions to the reinforcement learning agent to facilitate the search, namely the Gadget Reinforcement Learning (GRL) algorithm. We apply our algorithm to finding parameterized quantum circuits (PQCs) that implement the ground state of a given quantum Hamiltonian, a well-known NP-hard challenge. In particular, we focus on the transverse field Ising model (TFIM), since understanding its ground state is crucial for studying quantum phase transitions and critical behavior, and serves as a benchmark for validating quantum algorithms and simulation techniques. We show that with GRL we can find very compact PQCs that improve the error in estimating the ground state of TFIM by up to $10^7$ fold and make it suitable for implementation on real hardware compared to a pure reinforcement learning approach. Moreover, GRL scales better with increasing difficulty and to larger systems. The generality of the algorithm shows the potential for applications to other settings, including optimization tailored to specific real-world quantum platforms.
• Abstract（参考訳）: 与えられたタスクを実行する量子回路を構築することは、非常に難しい問題である。 強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲート($gadgets$)を自動的に学習するアルゴリズムを開発し,これを強化学習エージェントに追加して検索を容易にするアルゴリズム,すなわちガジェット強化学習(GRL)アルゴリズムを提案する。 我々は、パラメータ化量子回路(PQC)の探索にアルゴリズムを適用し、与えられた量子ハミルトニアンの基底状態を実装する。 特に,その基底状態の理解は量子相転移や臨界挙動の研究に不可欠であり,量子アルゴリズムやシミュレーション技術を検証するためのベンチマークとして機能するため,横フィールドイジングモデル(TFIM)に焦点を当てる。 GRLでは,TFIMの基底状態を最大10^7$の折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCを見出すことができ,純粋な強化学習手法に比べて実際のハードウェアの実装に適していることを示す。 さらに、GRLは困難を増し、より大きなシステムにスケールする。 アルゴリズムの一般化は、特定の現実世界の量子プラットフォームに合わせた最適化を含む、他の設定への応用の可能性を示している。

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)
• 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)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Enhancing variational quantum state diagonalization using reinforcement learning techniques [1.583327010995414]
  我々は、量子状態対角化タスクに必要な非常に浅い量子回路を設計する問題に取り組む。 我々は、RL状態に対する新しい符号化法、高密度報酬関数、およびそれを実現するために$epsilon$-greedyポリシーを使用する。 強化学習法により提案される回路は, 標準変分量子状態対角化アルゴリズムよりも浅いことを示す。
  論文  参考訳（メタデータ） (2023-06-19T17:59:04Z)
• 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 Architecture Search via Continual Reinforcement Learning [0.0]
  本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。 本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
  論文  参考訳（メタデータ） (2021-12-10T19:07:56Z)
• 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 Architecture Search via Deep Reinforcement Learning [0.0]
  できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
  論文  参考訳（メタデータ） (2021-04-15T18:53:26Z)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)
• A non-algorithmic approach to "programming" quantum computers via machine learning [0.0]
  機械学習はアルゴリズムを構築するための体系的な手法、すなわちアルゴリズムを非アルゴリズム的に「プログラム」量子コンピュータに利用できることを示す。 量子状態の絡み合いを実験的に推定する、基本的な非古典的な計算を用いてこれを実証する。 この結果、IBMハードウェアへの移植に成功し、ハイブリッド強化学習法を用いて訓練された。
  論文  参考訳（メタデータ） (2020-07-16T13:36:21Z)
• Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
  我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。 量子回路合成問題における時間-最適制御の強化について述べる。 我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
  論文  参考訳（メタデータ） (2020-06-19T19:12:14Z)

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。