Fugu-MT 論文翻訳(概要): TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search

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

arxiv url: http://arxiv.org/abs/2505.09371v2
Date: Tue, 30 Sep 2025 14:11:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 19:34:21.377887
Title: TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search
Title（参考訳）: TensorRL-QAS:量子アーキテクチャ探索の改善を目的とした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: 変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。有望なアプローチとして出現する強化学習(RL)。 $textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
参考スコア（独自算出の注目度）: 2.345518191053745
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. In spite of the promise, they face the challenge of designing quantum circuits that both solve the target problem and comply with device limitations. Quantum architecture search (QAS) automates the design process of quantum circuits, 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 hardware noise. To address these challenges, we introduce $\textit{TensorRL-QAS}$, an improved framework that combines tensor network methods with RL for QAS. By warm-starting the QAS with a matrix product state approximation of the target solution, TensorRL-QAS effectively narrows the search space to physically meaningful circuits and accelerates the 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 classical optimizer function evaluation by up to 100-fold, accelerates training episodes by up to 98$\%$, and can achieve 50$\%$ success probability for 10-qubit systems, far exceeding the $<$1$\%$ rates of baseline. Robustness and versatility are demonstrated both in the noiseless and noisy scenarios, where we report a simulation of an 8-qubit system. Furthermore, TensorRL-QAS demonstrates effectiveness on systems on 20-qubit quantum systems, positioning it as a state-of-the-art quantum circuit discovery framework for near-term hardware and beyond.
Abstract（参考訳）: 変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。約束にもかかわらず、彼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)は量子回路の設計プロセスを自動化する。しかし、RLベースのQAS法は、量子ビット数、回路深度、ハードウェアノイズの数の増加とともに、計算とトレーニングのコストが急速に増大するにつれて、大きなスケーラビリティの問題に直面する。これらの課題に対処するため、$\textit{TensorRL-QAS}$を紹介した。ターゲット溶液の行列積状態近似でQASを温め始めることにより、TensorRL-QASは探索空間を物理的に意味のある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。古典的なオプティマイザ関数の評価を最大100倍に減らし、トレーニングエピソードを最大98$\%$に加速し、10ビットシステムで50$\%$の成功確率を達成でき、ベースラインの$<$1$\%$をはるかに上回る。ノイズ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,ロバストさと汎用性が実証され,そこでは8量子システムのシミュレーションを報告する。さらに、TensorRL-QASは20量子ビット量子システムのシステム上での有効性を実証し、近未来のハードウェアなどのための最先端の量子回路発見フレームワークとして位置づけている。

関連論文リスト

VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文参考訳（メタデータ） (2025-06-12T01:38:15Z)
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)
Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
論文参考訳（メタデータ） (2025-02-10T13:50:50Z)
Cutting is All You Need: Execution of Large-Scale Quantum Neural Networks on Limited-Qubit Devices [4.2435928520499635]
本研究では,HQNNの量子回路切断手法を提案する。提案手法は、元の回路の精度を保ち、全てのサブ回路における量子パラメータのトレーニングを支援する。その結果,量子回路切断は,現在の量子ハードウェア上で量子機械学習(QML)を前進させる上で有望な手法であることが示唆された。
論文参考訳（メタデータ） (2024-12-06T08:29:46Z)
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。