論文の概要: Exploring experimental limit of deep quantum signal processing using a trapped-ion simulator

• arxiv url: http://arxiv.org/abs/2502.20199v1
• Date: Thu, 27 Feb 2025 15:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:57.663257
• Title: Exploring experimental limit of deep quantum signal processing using a trapped-ion simulator
• Title（参考訳）: トラップイオンシミュレータを用いた深部量子信号処理の実験限界探索
• Authors: J. -T. Bu, Lei Zhang, Zhan Yu, Jing-Bo Wang, W. -Q. Ding, W. -F. Yuan, B. Wang, H. -J. Du, W. -J. Chen, L. Chen, J. -W. Zhang, J. -C. Li, F. Zhou, Xin Wang, M. Feng,
• Abstract要約: トラップイオン量子シミュレータを用いた深部QSP回路の試作について報告する。 この結果から,関数シミュレーションの精度とハードウェアノイズの同時蓄積との間に重要なトレードオフがあることが判明した。 この研究は量子ハードウェア上でのQSPベースのアルゴリズムのスケーラビリティと限界を理解する上で重要なギャップに対処する。
• 参考スコア（独自算出の注目度）: 8.799262240357171
• License:
• Abstract: Quantum signal processing (QSP), which enables systematic polynomial transformations on quantum data through sequences of qubit rotations, has emerged as a fundamental building block for quantum algorithms and data re-uploading quantum neural networks. While recent experiments have demonstrated the feasibility of shallow QSP circuits, the inherent limitations in scaling QSP to achieve complex transformations on quantum hardware remain an open and critical question. Here we report the first experimental realization of deep QSP circuits in a trapped-ion quantum simulator. By manipulating the qubit encoded in a trapped $^{43}\textrm{Ca}^{+}$ ion, we demonstrate high-precision simulation of some prominent functions used in quantum algorithms and machine learning, with circuit depths ranging from 15 to 360 layers and implementation time significantly longer than coherence time of the qubit. Our results reveal a crucial trade-off between the precision of function simulation and the concomitant accumulation of hardware noise, highlighting the importance of striking a balance between circuit depth and accuracy in practical QSP implementation. This work addresses a key gap in understanding the scalability and limitations of QSP-based algorithms on quantum hardware, providing valuable insights for developing quantum algorithms as well as practically realizing quantum singular value transformation and data re-uploading quantum machine learning models.
• Abstract（参考訳）: 量子信号処理(QSP)は量子ビット回転のシーケンスを通じて量子データの体系的な多項式変換を可能にするもので、量子アルゴリズムとデータ再アップロードのための基本的な構成要素として登場した。 最近の実験では、浅いQSP回路の実現可能性を示しているが、量子ハードウェア上の複雑な変換を実現するためにQSPをスケールすることの固有の制限は、オープンで重要な問題である。 ここでは、トラップイオン量子シミュレータにおける深部QSP回路の実験的実現について述べる。 量子アルゴリズムや機械学習で使用されるいくつかの顕著な関数の高精度なシミュレーションを行い、回路深さは15層から360層まで、実装時間はクビットのコヒーレンス時間よりもかなり長いことを示した。 この結果から,QSP実装における回路深度と精度のバランスを損なうことの重要性が浮き彫りになった。 この研究は量子ハードウェア上でのQSPベースのアルゴリズムのスケーラビリティと限界を理解する上で重要なギャップに対処し、量子アルゴリズムを開発するための貴重な洞察を提供するとともに、量子特異値変換と量子機械学習モデルのデータの再アップロードを現実的に実現している。

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)
• SuperEncoder: Towards Universal Neural Approximate Quantum State Preparation [12.591173729459427]
  トレーニング済みのニューラルネットワークを利用して任意の量子状態に対してQSP回路を直接生成できることが示される。 我々の研究は、近似QSPのための普遍的ニューラルデザイナに向けて着実に進んでいる。
  論文  参考訳（メタデータ） (2024-08-10T04:39:05Z)
• 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)
• Learning Quantum Phase Estimation by Variational Quantum Circuits [0.9208007322096533]
  我々は,量子位相推定回路の深さを低減するために,変分量子回路(VQC)近似を開発した。 実験により,VQCは回路ノイズを低減し,実ハードウェア上でのノイズQPEと標準QPEの両方に優れた性能を示した。 この量子コンパイラへのVQCの統合は、ディープ回路を持つ量子アルゴリズムに大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-08T13:57:24Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Realization of quantum signal processing on a noisy quantum computer [0.4593579891394288]
  本稿では,各ステップのオーバヘッドコストを慎重に削減し,ノイズの多い量子ハードウェア上でQSPプロトコル全体を実行する戦略を提案する。 本プロトコルは,ハネウェル方式の量子関数H1-1の量子コンピュータ上で,このアルゴリズムを動作させることにより検証する。 この結果はQSPに基づく量子アルゴリズムの実験的な実現の第一歩である。
  論文  参考訳（メタデータ） (2023-03-09T19:00:17Z)
• An Amplitude-Based Implementation of the Unit Step Function on a Quantum Computer [0.0]
  量子コンピュータ上での単位ステップ関数の形で非線形性を近似するための振幅に基づく実装を提案する。 より先進的な量子アルゴリズムに埋め込まれた場合、古典的コンピュータから直接入力を受ける2つの異なる回路タイプを量子状態として記述する。
  論文  参考訳（メタデータ） (2022-06-07T07:14:12Z)
• 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 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)
• Quantum circuit synthesis of Bell and GHZ states using projective simulation in the NISQ era [0.0]
  量子ビット数に制限のある雑音量子コンピュータの量子回路合成問題に取り組むために,強化学習手法である投影シミュレーションの有効性について検討した。 シミュレーションの結果, エージェントの性能は良好であったが, 量子ビット数の増加に伴い新しい回路の学習能力は低下した。
  論文  参考訳（メタデータ） (2021-04-27T16:11:27Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。