論文の概要: GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching

• arxiv url: http://arxiv.org/abs/2501.00135v3
• Date: Tue, 11 Feb 2025 06:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:05:12.888081
• Title: GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching
• Title（参考訳）: GroverGPT:量子探索のための80億のパラメータを持つ大規模言語モデル
• Authors: Haoran Wang, Pingzhi Li, Min Chen, Jinglei Cheng, Junyu Liu, Tianlong Chen,
• Abstract要約: 量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
• 参考スコア（独自算出の注目度）: 43.496857395654764
• License:
• Abstract: Quantum computing is an exciting non-Von Neumann paradigm, offering provable speedups over classical computing for specific problems. However, the practical limits of classical simulatability for quantum circuits remain unclear, especially with current noisy quantum devices. In this work, we explore the potential of leveraging Large Language Models (LLMs) to simulate the output of a quantum Turing machine using Grover's quantum circuits, known to provide quadratic speedups over classical counterparts. To this end, we developed GroverGPT, a specialized model based on LLaMA's 8-billion-parameter architecture, trained on over 15 trillion tokens. Unlike brute-force state-vector simulations, which demand substantial computational resources, GroverGPT employs pattern recognition to approximate quantum search algorithms without explicitly representing quantum states. Analyzing 97K quantum search instances, GroverGPT consistently outperformed OpenAI's GPT-4o (45\% accuracy), achieving nearly 100\% accuracy on 6- and 10-qubit datasets when trained on 4-qubit or larger datasets. It also demonstrated strong generalization, surpassing 95\% accuracy for systems with over 20 qubits when trained on 3- to 6-qubit data. Analysis indicates GroverGPT captures quantum features of Grover's search rather than classical patterns, supported by novel prompting strategies to enhance performance. Although accuracy declines with increasing system size, these findings offer insights into the practical boundaries of classical simulatability. This work suggests task-specific LLMs can surpass general-purpose models like GPT-4o in quantum algorithm learning and serve as powerful tools for advancing quantum research.
• Abstract（参考訳）: 量子コンピューティングは非フォン・ノイマンパラダイムのエキサイティングなパラダイムであり、特定の問題に対して古典コンピューティングよりも証明可能なスピードアップを提供する。 しかし、量子回路の古典的シミュラビリティの実用的限界は、特に現在のノイズ量子デバイスでは不明確である。 本研究では、Groverの量子回路を用いて量子チューリングマシンの出力をシミュレートするために、LLM(Large Language Models)を活用する可能性を探る。 この目的のために,LLaMAの8ビリオンパラメータアーキテクチャに基づく特殊モデルであるGroverGPTを開発した。 かなりの計算資源を必要とするブルートフォース状態ベクトルシミュレーションとは異なり、GroverGPTは量子状態を明示的に表現することなく、パターン認識を用いて量子探索アルゴリズムを近似する。 97Kの量子検索インスタンスを分析したGroverGPTは、OpenAIのGPT-4o(45\%の精度)を一貫して上回り、4キュービット以上のデータセットでトレーニングされた場合、6キュービットデータセットと10キュービットデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータでトレーニングすると、20キュービットを超えるシステムの95%を超える精度で強力な一般化が示された。 解析は、GroverGPTが古典的なパターンではなく、Groverの探索の量子的特徴を捉え、性能を向上させる新しいプロンプト戦略によって支えられていることを示している。 システムサイズの増加に伴い精度は低下するが、これらの発見は古典的シミュラビリティの実践的境界に関する洞察を与える。 この研究は、タスク固有のLLMが量子アルゴリズム学習においてGPT-4oのような汎用モデルを超え、量子研究を前進させる強力なツールとして機能することを示唆している。

関連論文リスト

• Quantum Convolutional Neural Network: A Hybrid Quantum-Classical Approach for Iris Dataset Classification [0.0]
  本稿では,4量子ビット量子回路と古典的ニューラルネットワークを組み合わせた,分類タスクのためのハイブリッド量子古典型機械学習モデルを提案する。 このモデルは20エポック以上で訓練され、16エポックに設定されたIrisデータセットテストで100%の精度を達成した。 この研究は、ハイブリッド量子古典モデルの研究の活発化と、実際のデータセットへの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-10-21T13:15:12Z)
• 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)
• Q-gen: A Parameterized Quantum Circuit Generator [0.6062751776009752]
  本稿では、15個の現実的量子アルゴリズムを取り入れた高レベルパラメータ化量子回路生成器Q-genを紹介する。 Q-genは、古典的なコンピュータサイエンスの背景を持つユーザが量子コンピューティングの世界に飛び込むための入り口として機能するオープンソースプロジェクトである。
  論文  参考訳（メタデータ） (2024-07-26T12:22:40Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• 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)
• Practical Quantum Search by Variational Quantum Eigensolver on Noisy Intermediate-scale Quantum Hardware [0.0]
  量子反復を古典的パラメータ化量子状態からの更新に置き換えるハイブリッド量子古典的アーキテクチャを提案する。 提案手法は依然として有効な成功確率を維持しつつも,Grover 探索の成功確率はランダムな推測と同程度である。
  論文  参考訳（メタデータ） (2023-04-07T17:32:55Z)
• Iterative Qubits Management for Quantum Index Searching in a Hybrid System [56.39703478198019]
  IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。 我々はQiskitでIQuCSを実装し、集中的な実験を行う。 その結果、量子ビットの消費を最大66.2%削減できることが示されている。
  論文  参考訳（メタデータ） (2022-09-22T21:54:28Z)
• A Scalable 5,6-Qubit Grover's Quantum Search Algorithm [0.0]
  グロバーの量子探索アルゴリズムは量子コンピューティングのよく知られた応用の1つである。 本稿では,5量子ビットと6量子ビットの量子回路を用いて,スケーラブルな量子グロバー探索アルゴリズムを導入,実装する。 提案した5-qubitと6-qubitの回路の精度を3-qubitと4-qubitの最先端実装と比較した。
  論文  参考訳（メタデータ） (2022-04-30T00:35:54Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Classical variational simulation of the Quantum Approximate Optimization Algorithm [0.0]
  パラメタライズドゲートからなる層状量子回路をシミュレートする手法を提案する。 マルチキュービット波動関数のニューラルネットワークパラメトリゼーションを用いる。 シミュレーションした最大の回路では、4QAOA層で54量子ビットに達する。
  論文  参考訳（メタデータ） (2020-09-03T15:55:27Z)

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。