論文の概要: Role of Nonstabilizerness in Quantum Optimization

• arxiv url: http://arxiv.org/abs/2505.17185v1
• Date: Thu, 22 May 2025 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.636574
• Title: Role of Nonstabilizerness in Quantum Optimization
• Title（参考訳）: 量子最適化における非安定化器の役割
• Authors: Chiara Capecci, Gopal Chandra Santra, Alberto Bottarelli, Emanuele Tirrito, Philipp Hauke,
• Abstract要約: 量子近似最適化アルゴリズム(QAOA)の資源要件について検討する。 最終解状態へのアプローチにおいて,QAOAの非安定化剤性は,回路深さが最大に達する前に増加し,再び低下することを示す。 簡単な再スケーリングの下で崩壊する異なる深さに対応する曲線を見つけ、最終的な非安定度と成功確率との間には非自明な関係を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum optimization has emerged as a promising approach for tackling complicated classical optimization problems using quantum devices. However, the extent to which such algorithms harness genuine quantum resources and the role of these resources in their success remain open questions. In this work, we investigate the resource requirements of the Quantum Approximate Optimization Algorithm (QAOA) through the lens of the resource theory of nonstabilizerness. We demonstrate that the nonstabilizerness in QAOA increases with circuit depth before it reaches a maximum, to fall again during the approach to the final solution state -- creating a barrier that limits the algorithm's capability for shallow circuits. We find curves corresponding to different depths to collapse under a simple rescaling, and we reveal a nontrivial relationship between the final nonstabilizerness and the success probability. Finally, we identify a similar nonstabilizerness barrier also in adiabatic quantum annealing. Our results provide deeper insights into how quantum resources influence quantum optimization.
• Abstract（参考訳）: 量子最適化は、量子デバイスを用いた複雑な古典的最適化問題に取り組むための有望なアプローチとして登場した。 しかし、そのようなアルゴリズムが真の量子資源を利用する範囲と、それらの成功におけるそれらの資源の役割は、未解決の問題のままである。 本研究では, 量子近似最適化アルゴリズム(QAOA)の資源要件について, 非安定化性に関する資源理論のレンズを通して検討する。 我々は、QAOAにおける非安定化は、回路深さが最大に達する前に増加し、最終解状態へのアプローチ中に再び低下することを示し、浅い回路に対するアルゴリズムの能力を制限する障壁を作成する。 簡単な再スケーリングの下で崩壊する異なる深さに対応する曲線を見つけ、最終的な非安定度と成功確率との間には非自明な関係を明らかにする。 最後に、アディバティック量子アニールにおいても、同様の非安定化障壁を同定する。 我々の結果は、量子資源が量子最適化にどのように影響するかについての深い洞察を提供する。

関連論文リスト

• Bias-field digitized counterdiabatic quantum optimization [39.58317527488534]
  我々はこのプロトコルをバイアス場デジタルダイアバティック量子最適化(BF-DCQO)と呼ぶ。 私たちの純粋に量子的なアプローチは、古典的な変分量子アルゴリズムへの依存を排除します。 基底状態の成功確率のスケーリング改善を実現し、最大2桁まで増大する。
  論文  参考訳（メタデータ） (2024-05-22T18:11:42Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Quantum Speedups in Regret Analysis of Infinite Horizon Average-Reward Markov Decision Processes [32.07657827173262]
  我々は,未知のMDPとエージェントのエンゲージメントのための革新的な量子フレームワークを提案する。 平均推定における量子的優位性は、無限の地平線強化学習に対する後悔の保証において指数的な進歩をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-10-18T03:17:51Z)
• Challenges of variational quantum optimization with measurement shot noise [0.0]
  問題の大きさが大きくなるにつれて、量子資源のスケーリングが一定の成功確率に達するか検討する。 この結果から,ハイブリッド量子古典アルゴリズムは古典外ループの破壊力を回避する必要がある可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-31T18:01:15Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Noise-Robust End-to-End Quantum Control using Deep Autoregressive Policy Networks [2.5946789143276447]
  変分量子固有解法は、量子コンピューティングデバイスの使用を可能にするため、近年注目を集めている。 不確実性のある方法で連続的および離散的な自由度を同時に最適化できるハイブリッドポリシグラデーショングラデーションアルゴリズムを提案する。 我々の研究は、強化学習と量子制御の相乗効果を示す。
  論文  参考訳（メタデータ） (2020-12-12T02:13:28Z)
• Approaches to Constrained Quantum Approximate Optimization [0.4588028371034407]
  我々は、制約付き最適化問題の近似解を見つけるために、異なる量子アプローチのコストと利点について研究する。 DQVA(Dynamic Quantum Variational Ansatz)に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-13T19:51:12Z)
• Policy Gradient based Quantum Approximate Optimization Algorithm [2.5614220901453333]
  本稿では,QAOAの変動パラメータをノイズキャンバス方式で最適化するために,政策段階に基づく強化学習アルゴリズムが適していることを示す。 単一および多ビット系における量子状態伝達問題に対するアルゴリズムの性能解析を行う。
  論文  参考訳（メタデータ） (2020-02-04T00:46:51Z)

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。