Fugu-MT 論文翻訳(概要): Reinforcement Learning for Quantum Circuit Design: Using Matrix Representations

論文の概要: Reinforcement Learning for Quantum Circuit Design: Using Matrix Representations

arxiv url: http://arxiv.org/abs/2501.16509v1
Date: Mon, 27 Jan 2025 21:17:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-29 16:42:38.178233
Title: Reinforcement Learning for Quantum Circuit Design: Using Matrix Representations
Title（参考訳）: 量子回路設計のための強化学習:行列表現を用いた
Authors: Zhiyuan Wang, Chunlin Feng, Christopher Poon, Lijian Huang, Xingjian Zhao, Yao Ma, Tianfan Fu, Xiao-Yang Liu,
Abstract要約: 本稿では,量子回路設計にQラーニングアルゴリズムとDQNアルゴリズムを用いた汎用MDPモデリングを提案する。深層強化学習の力を生かして,従来の手作り手法に対する自動的かつスケーラブルなアプローチの実現を目指す。
参考スコア（独自算出の注目度）: 23.341157852018377
License:
Abstract: Quantum computing promises advantages over classical computing. The manufacturing of quantum hardware is in the infancy stage, called the Noisy Intermediate-Scale Quantum (NISQ) era. A major challenge is automated quantum circuit design that map a quantum circuit to gates in a universal gate set. In this paper, we present a generic MDP modeling and employ Q-learning and DQN algorithms for quantum circuit design. By leveraging the power of deep reinforcement learning, we aim to provide an automatic and scalable approach over traditional hand-crafted heuristic methods.
Abstract（参考訳）: 量子コンピューティングは古典コンピューティングよりも有利である。量子ハードウェアの製造は、NISQ(Noisy Intermediate-Scale Quantum)時代と呼ばれる初期段階にある。大きな課題は、量子回路を普遍ゲートセットのゲートにマッピングする自動量子回路設計である。本稿では,量子回路設計にQラーニングアルゴリズムとDQNアルゴリズムを用いた汎用MDPモデリングを提案する。深層強化学習の力を生かして,従来の手作りヒューリスティック手法に対する,自動的かつスケーラブルなアプローチの実現を目指す。

関連論文リスト

Redesign Quantum Circuits on Quantum Hardware Device [6.627541720714792]
量子ハードウェア上での大規模量子回路の再設計を可能にする新しいアーキテクチャを提案する。具体的には、このアーキテクチャを(非)パラメータ化回路の等価性チェックを含む、回路最適化における3つの重要な応用に適用する。提案手法の有効性は,従来のコンピュータと現在のNISQハードウェアの両方で実装された,これらのアプリケーションの優れた成果によって実証される。
論文参考訳（メタデータ） (2024-12-30T12:05:09Z)
Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
論文参考訳（メタデータ） (2024-11-14T12:27:50Z)
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)
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)
Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2023-01-04T23:37:45Z)
Quantum Deep Dreaming: A Novel Approach for Quantum Circuit Design [0.0]
量子ディープドリーミング(Quantum Deep Dreaming, QDD)は、特定の目的のために最適な量子回路アーキテクチャを生成するアルゴリズムである。我々は、QDDが基底状態エネルギーに近い6量子ビットの回路、すなわち「ドレーム」を正常に生成することを示した。
論文参考訳（メタデータ） (2022-11-05T22:16:10Z)
AutoQC: Automated Synthesis of Quantum Circuits Using Neural Network [1.7704011486040847]
AutoQCは、入力と出力のペアからニューラルネットワークを使用して量子回路を自動的に合成するアプローチである。量子回路を量子ゲートの列と考え、各ステップでニューラルネットワークで優先順位付けすることで確率的に量子回路を合成する。
論文参考訳（メタデータ） (2022-10-06T09:05:42Z)
Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。機械学習の観点からQGLMの現状を概観する。従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文参考訳（メタデータ） (2022-06-07T07:32:57Z)
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)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)
Differentiable Quantum Architecture Search [15.045985536395479]
微分可能量子アーキテクチャ探索(DQAS)の一般的なフレームワークを提案する。 DQASは、エンドツーエンドの微分可能な方法で量子回路の自動設計を可能にする。
論文参考訳（メタデータ） (2020-10-16T18:00:03Z)

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。