論文の概要: TensorRL-QAS: Reinforcement learning with tensor networks for scalable quantum architecture search

• arxiv url: http://arxiv.org/abs/2505.09371v1
• Date: Wed, 14 May 2025 13:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.469312
• Title: TensorRL-QAS: Reinforcement learning with tensor networks for scalable quantum architecture search
• Title（参考訳）: TensorRL-QAS:スケーラブル量子アーキテクチャ探索のためのテンソルネットワークによる強化学習
• Authors: Akash Kundu, Stefano Mangini,
• Abstract要約: $textitTensorRL-QAS$は量子回路を設計するためのスケーラブルなフレームワークである。 最大100倍のファンクション評価を削減し、トレーニングエピソードを最大98%の価格で加速し、10キュービットシステムの成功確率を最大50%まで向上させる。
• 参考スコア（独自算出の注目度）: 0.7366405857677227
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Variational quantum algorithms hold the promise to address meaningful quantum problems already on noisy intermediate-scale quantum hardware, but they face the challenge of designing quantum circuits that both solve the target problem and comply with device limitations. Quantum architecture search (QAS) automates this design process, with reinforcement learning (RL) emerging as a promising approach. Yet, RL-based QAS methods encounter significant scalability issues, as computational and training costs grow rapidly with the number of qubits, circuit depth, and noise, severely impacting performance. To address these challenges, we introduce $\textit{TensorRL-QAS}$, a scalable framework that combines tensor network (TN) methods with RL for designing quantum circuits. By warm-starting the architecture search with a matrix product state approximation of the target solution, TensorRL-QAS effectively narrows the search space to physically meaningful circuits, accelerating convergence to the desired solution. Tested on several quantum chemistry problems of up to 12-qubit, TensorRL-QAS achieves up to a 10-fold reduction in CNOT count and circuit depth compared to baseline methods, while maintaining or surpassing chemical accuracy. It reduces function evaluations by up to 100-fold, accelerates training episodes by up to $98\%$, and achieves up to $50\%$ success probability for 10-qubit systems-far exceeding the $<1\%$ rates of baseline approaches. Robustness and versatility are demonstrated both in the noiseless and noisy scenarios, where we report a simulation of up to 8-qubit. These advancements establish TensorRL-QAS as a promising candidate for a scalable and efficient quantum circuit discovery protocol on near-term quantum hardware.
• Abstract（参考訳）: 変分量子アルゴリズムは、既にノイズの多い中間スケールの量子ハードウェア上で有意義な量子問題に対処する約束を持っているが、それらは、ターゲットの問題を解決し、デバイス制限に準拠する量子回路を設計するという課題に直面している。 量子アーキテクチャサーチ(QAS)はこの設計プロセスを自動化し、将来性のあるアプローチとして強化学習(RL)が出現する。 しかし、RLベースのQAS手法は、量子ビット数、回路深度、ノイズの数によって計算とトレーニングのコストが急速に増加し、性能に重大な影響を与えている。 これらの課題に対処するために、量子回路を設計するためのテンソルネットワーク(TN)手法とRLを組み合わせたスケーラブルなフレームワークである$\textit{TensorRL-QAS}$を紹介した。 ターゲット溶液の行列積状態近似を用いてアーキテクチャ探索をウォームスタートさせることにより、TensorRL-QASは、探索空間を物理的に有意義な回路に効果的に絞り込み、所望の溶液への収束を加速させる。 最大12キュービットの量子化学問題で試験されたTensorRL-QASは、化学精度を維持しながら、ベースライン法と比較して最大10倍のCNOT数と回路深さを減少させる。 最大100倍まで機能評価を減らし、トレーニングエピソードを最大9,8 %$で加速し、ベースラインアプローチの$<1 %$を超える10ビットシステムファストの成功確率を最大50 %$で達成する。 雑音のないシナリオとノイズの多いシナリオの両方において、ロバスト性と汎用性を実証し、最大8量子ビットのシミュレーションを報告する。 これらの進歩により、TensorRL-QASは、短期量子ハードウェア上でのスケーラブルで効率的な量子回路発見プロトコルの候補として期待されている。

関連論文リスト

• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  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。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• CutQAS: Topology-aware quantum circuit cutting via reinforcement learning [0.0]
  量子回路切断と量子アーキテクチャ探索(QAS)を統合して量子化学シミュレーションを強化するフレームワークであるCutQASを提案する。 まず、RLエージェントが最適回路構造を特定するために可能な全てのトポロジを探索し、次いで第2のRLエージェントが最適な回路切断を決定することにより選択したトポロジを洗練し、制約のあるハードウェア上での効率的な実行を保証する。
  論文  参考訳（メタデータ） (2025-04-05T13:13:50Z)
• 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)
• Reinforcement learning-assisted quantum architecture search for variational quantum algorithms [0.0]
  この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。 本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。 様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
  論文  参考訳（メタデータ） (2024-02-21T12:30:39Z)
• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• 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。