論文の概要: Reinforcement learning with learned gadgets to tackle hard quantum problems on real hardware

• arxiv url: http://arxiv.org/abs/2411.00230v2
• Date: Fri, 02 May 2025 06:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 13:22:23.293609
• Title: Reinforcement learning with learned gadgets to tackle hard quantum problems on real hardware
• Title（参考訳）: ハードウェア上でのハード量子問題に取り組むための学習ガジェットを用いた強化学習
• Authors: Akash Kundu, Leopoldo Sarra,
• Abstract要約: 本稿では,強化学習とプログラム合成を統合したガジェット強化学習(GRL)を導入し,複合ゲート(ガジェット)を動作空間に自動生成・組み込む。 これは、NPハード問題である量子ハミルトニアンの基底状態の近似のような複雑なタスクに対するパラメタライズド量子回路(PQC)の探索を強化する。 GRLは、制約された計算資源であっても、問題のサイズと複雑さが増加するにつれて、堅牢な性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing quantum circuits for specific tasks is challenging due to the exponential growth of the state space. We introduce gadget reinforcement learning (GRL), which integrates reinforcement learning with program synthesis to automatically generate and incorporate composite gates (gadgets) into the action space. This enhances the exploration of parameterized quantum circuits (PQCs) for complex tasks like approximating ground states of quantum Hamiltonians, an NP-hard problem. We evaluate GRL using the transverse field Ising model under typical computational budgets (e.g., 2- 3 days of GPU runtime). Our results show improved accuracy, hardware compatibility and scalability. GRL exhibits robust performance as the size and complexity of the problem increases, even with constrained computational resources. By integrating gadget extraction, GRL facilitates the discovery of reusable circuit components tailored for specific hardware, bridging the gap between algorithmic design and practical implementation. This makes GRL a versatile framework for optimizing quantum circuits with applications in hardware-specific optimizations and variational quantum algorithms. The code is available at: https://github.com/Aqasch/Gadget_RL
• Abstract（参考訳）: 特定のタスクのための量子回路の設計は、状態空間の指数的な成長のために困難である。 本稿では,強化学習とプログラム合成を統合したガジェット強化学習(GRL)を導入し,複合ゲート(ガジェット)を動作空間に自動生成・組み込む。 これは、NPハード問題である量子ハミルトニアンの基底状態の近似のような複雑なタスクに対するパラメタライズド量子回路(PQC)の探索を強化する。 計算予算(GPUランタイムの2～3日など)において,横フィールドIsingモデルを用いてGRLを評価する。 その結果,精度,ハードウェアの互換性,スケーラビリティが向上した。 GRLは、制約された計算資源であっても、問題のサイズと複雑さが増加するにつれて、堅牢な性能を示す。 ガジェット抽出を統合することで、GRLは特定のハードウェアに適した再利用可能な回路コンポーネントの発見を促進し、アルゴリズム設計と実用的な実装のギャップを埋める。 これによりGRLは、ハードウェア固有の最適化と変分量子アルゴリズムに応用して、量子回路を最適化するための汎用的なフレームワークとなる。 コードは、https://github.com/Aqasch/Gadget_RLで入手できる。

関連論文リスト

• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• 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。