論文の概要: The Stabilizer Bootstrap of Quantum Machine Learning with up to 10000 qubits
- arxiv url: http://arxiv.org/abs/2412.11356v1
- Date: Mon, 16 Dec 2024 01:12:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 14:02:31.231021
- Title: The Stabilizer Bootstrap of Quantum Machine Learning with up to 10000 qubits
- Title（参考訳）: 最大10000キュービットの量子機械学習の安定化ブートストラップ
- Authors: Yuqing Li, Jinglei Cheng, Xulong Tang, Youtao Zhang, Frederic T. Chong, Junyu Liu,
- Abstract要約: 変動量子回路は、短期量子デバイスと初期のフォールトトレラント量子コンピュータにおいて主要なパラダイムである可能性がある。
我々は、安定化器ブートストラップを使用して、量子実行前に量子ニューラルネットワークを最適化する。
変動アンサーゼの一般的な設定では、安定化器ブートストラップによる改善の可能性は、観測可能な構造とデータセットのサイズに依存する。
- 参考スコア（独自算出の注目度）: 15.344606386620136
- License:
- Abstract: Quantum machine learning is considered one of the flagship applications of quantum computers, where variational quantum circuits could be the leading paradigm both in the near-term quantum devices and the early fault-tolerant quantum computers. However, it is not clear how to identify the regime of quantum advantages from these circuits, and there is no explicit theory to guide the practical design of variational ansatze to achieve better performance. We address these challenges with the stabilizer bootstrap, a method that uses stabilizer-based techniques to optimize quantum neural networks before their quantum execution, together with theoretical proofs and high-performance computing with 10000 qubits or random datasets up to 1000 data. We find that, in a general setup of variational ansatze, the possibility of improvements from the stabilizer bootstrap depends on the structure of the observables and the size of the datasets. The results reveal that configurations exhibit two distinct behaviors: some maintain a constant probability of circuit improvement, while others show an exponential decay in improvement probability as qubit numbers increase. These patterns are termed strong stabilizer enhancement and weak stabilizer enhancement, respectively, with most situations falling in between. Our work seamlessly bridges techniques from fault-tolerant quantum computing with applications of variational quantum algorithms. Not only does it offer practical insights for designing variational circuits tailored to large-scale machine learning challenges, but it also maps out a clear trajectory for defining the boundaries of feasible and practical quantum advantages.
- Abstract（参考訳）: 量子機械学習は量子コンピュータのフラッグシップの1つと考えられており、変動量子回路は、短期量子デバイスと初期のフォールトトレラント量子コンピュータの両方において主要なパラダイムである可能性がある。
しかし、これらの回路から量子アドバンテージの仕組みをいかに特定するかは明らかではなく、より優れた性能を達成するために変分アンサーゼの実用的な設計を導くための明確な理論はない。
これらの課題に対処するために、安定化器ベースの手法を使用して量子実行前に量子ニューラルネットワークを最適化する手法であるStabler Bootstrapと、1000000キュービットまたは1000データまでのランダムデータセットを持つ理論的証明と高性能コンピューティングを併用する。
変動アンサーゼの一般的な設定では、安定化器ブートストラップによる改善の可能性は、観測可能な構造とデータセットのサイズに依存する。
その結果、構成は2つの異なる挙動を示すことが明らかとなった: 回路改善の確率を一定に保つものもあれば、量子ビット数が増加するにつれて改善確率が指数関数的に低下するものもある。
これらのパターンはそれぞれ、強い安定化器の強化と弱い安定化器の強化と呼ばれ、ほとんどの状況は中間にある。
我々の研究は、フォールトトレラント量子コンピューティングと変分量子アルゴリズムの応用をシームレスに橋渡しする。
大規模な機械学習課題に適した変動回路を設計するための実用的な洞察を提供するだけでなく、実現可能で実用的な量子的優位性の境界を定義するための明確な軌跡も示している。
関連論文リスト
- How to Build a Quantum Supercomputer: Scaling Challenges and Opportunities [3.864855748348313]
数百の物理量子ビット上の量子アルゴリズムプリミティブに対して、小さなデモが可能になった。
大幅な進歩と興奮にもかかわらず、フルスタックのスケーラブルな技術への道のりはほとんど不明である。
既存の半導体技術を採用して、より高品質な量子ビットを構築することで、スケーリングへの道が拓けることを示す。
論文 参考訳（メタデータ） (2024-11-15T18:22:46Z) - 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) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Avoiding Barren Plateaus with Entanglement [1.6574413179773757]
本稿では,回路を一意的な2ドル設計から一意的な1ドル設計に移行するための補助制御量子ビットの導入を提案する。
次に、これらの補助量子ビットを除去して元の回路構造に戻し、ユニタリな1ドルの設計特性を保存する。
論文 参考訳（メタデータ） (2024-06-06T05:06:05Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。
この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
論文 参考訳（メタデータ） (2023-02-09T14:05:18Z) - An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。
この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
論文 参考訳（メタデータ） (2022-05-11T12:10:52Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z)
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。