論文の概要: Q-Fusion: Diffusing Quantum Circuits

• arxiv url: http://arxiv.org/abs/2504.20794v1
• Date: Tue, 29 Apr 2025 14:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.923005
• Title: Q-Fusion: Diffusing Quantum Circuits
• Title（参考訳）: Q融合:量子回路の拡散
• Authors: Collin Beaudoin, Swaroop Ghosh,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.348041867134616
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum computing holds great potential for solving socially relevant and computationally complex problems. Furthermore, quantum machine learning (QML) promises to rapidly improve our current machine learning capabilities. However, current noisy intermediate-scale quantum (NISQ) devices are constrained by limitations in the number of qubits and gate counts, which hinder their full capabilities. Furthermore, the design of quantum algorithms remains a laborious task, requiring significant domain expertise and time. Quantum Architecture Search (QAS) aims to streamline this process by automatically generating novel quantum circuits, reducing the need for manual intervention. In this paper, we propose a diffusion-based algorithm leveraging the LayerDAG framework to generate new quantum circuits. This method contrasts with other approaches that utilize large language models (LLMs), reinforcement learning (RL), variational autoencoders (VAE), and similar techniques. Our results demonstrate that the proposed model consistently generates 100% valid quantum circuit outputs.
• Abstract（参考訳）: 量子コンピューティングは、社会的に関連があり、計算学的に複雑な問題を解決する大きな可能性を秘めている。 さらに、量子機械学習(QML)は、現在の機械学習能力を急速に改善することを約束します。 しかし、現在のノイズの多い中間スケール量子(NISQ)デバイスは、量子ビット数とゲート数に制限があるため、その全能力を妨げている。 さらに、量子アルゴリズムの設計は、重要なドメインの専門知識と時間を必要とする、残酷な作業である。 量子アーキテクチャサーチ(QAS)は、新しい量子回路を自動生成し、手動介入の必要性を減らすことで、このプロセスを合理化することを目的としている。 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。 この手法は,大規模言語モデル (LLM) や強化学習 (RL) ,変分オートエンコーダ (VAE) などを用いた他の手法とは対照的である。 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。

関連論文リスト

• DeQompile: quantum circuit decompilation using genetic programming for explainable quantum architecture search [1.351147045576948]
  本稿では、逆エンジニアリングによる高レベル量子アルゴリズムのための新しい遺伝的プログラミングベースのデコンパイラフレームワークを提案する。 提案されたアプローチは、オープンソースのツールであるDeQompileで実装されている。
  論文  参考訳（メタデータ） (2025-04-11T07:23:14Z)
• Reinforcement Learning for Quantum Circuit Design: Using Matrix Representations [23.341157852018377]
  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。
  論文  参考訳（メタデータ） (2025-01-27T21:17:58Z)
• A learning agent-based approach to the characterization of open quantum systems [0.0]
  我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。 ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。 複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-09T16:25:17Z)
• 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)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• 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)
• Quafu-RL: The Cloud Quantum Computers based Quantum Reinforcement Learning [0.0]
  本研究は,BAQIS Quafu量子コンピューティングクラウド上で,少なくとも136量子ビットを備えた実デバイス上で,ベンチマーク量子強化問題を実行するための第一歩である。 実験の結果,Reinforcement Learning (RL) エージェントはトレーニング段階と推論段階の両方でわずかに緩和された目標を達成することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T09:13:50Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• 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 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。