論文の概要: Neural-network-assisted Monte Carlo sampling trained by Quantum Approximate Optimization Algorithm

• arxiv url: http://arxiv.org/abs/2506.01335v1
• Date: Mon, 02 Jun 2025 05:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.044175
• Title: Neural-network-assisted Monte Carlo sampling trained by Quantum Approximate Optimization Algorithm
• Title（参考訳）: 量子近似最適化アルゴリズムによるニューラルネットワーク支援モンテカルロサンプリング
• Authors: Yuichiro Nakano, Ken N. Okada, Keisuke Fujii,
• Abstract要約: 本稿では、量子回路と生成型ニューラルサンプリング(GNS)を組み合わせたハイブリッド量子古典MCMCフレームワークを提案する。 GNSは量子出力を効率的にエミュレートするために古典的なサロゲートとして機能し、回路制約を解除する。 これらの結果から,NISQデバイスのためのサンプリングベース量子アルゴリズムとして本手法が確立された。
• 参考スコア（独自算出の注目度）: 0.8009842832476994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling problems are widely regarded as the task for which quantum computers can most readily provide a quantum advantage. Leveraging this feature, the quantum-enhanced Markov chain Monte Carlo [Layden, D. et al., Nature 619, 282-287 (2023)] has been proposed recently, where sampling from a quantum computer is used as a proposal distribution and convergence to a target distribution is accelerated. However, guaranteeing convergence to the target distribution typically forces one to impose restrictive symmetry constraints on the quantum circuit, which makes it hard to design good proposal distributions and prevents making full use of the advantage of a quantum computer. We explore a hybrid quantum-classical MCMC framework that combines a quantum circuit with a generative neural sampler (GNS). The GNS is trained on quantum samples and acts as a classical surrogate to efficiently emulate quantum outputs, thereby lifting circuit constraints. We apply this method to Boltzmann sampling of spin glasses using proposals trained with a QAOA circuit. This approach outperforms conventional methods, showing a $\sim$100$\times$ improvement in spectral gap over uniform proposals. Notably, it maintains similar acceleration even without parameter optimization. These results establish the method as a viable sampling-based quantum algorithm for NISQ devices and highlight its potential for solving practical problems with quantum computation.
• Abstract（参考訳）: サンプリング問題は、量子コンピュータが最も容易に量子優位性を提供できるタスクとして広く見なされている。 この特徴を生かした量子化マルコフ連鎖モンテカルロ (Layden, D. et al , Nature 619, 282-287 (2023)) が近年提案され、量子コンピュータからのサンプリングを提案分布とし、目標分布への収束を加速している。 しかし、目標分布への収束を保証するためには、一般に量子回路に制限的な対称性の制約を課す必要があるため、良い提案分布を設計することは困難であり、量子コンピュータの利点を十分に活用することができない。 本稿では、量子回路と生成型ニューラルサンプリング(GNS)を組み合わせたハイブリッド量子古典MCMCフレームワークについて検討する。 GNSは量子サンプルに基づいて訓練され、量子出力を効率的にエミュレートする古典的なサロゲートとして機能し、回路制約を解除する。 本手法をスピングラスのボルツマンサンプリングに適用し,QAOA回路でトレーニングした提案手法を提案する。 このアプローチは従来の手法よりも優れており、均一な提案に対するスペクトルギャップの改善が$\sim$100$\times$である。 特にパラメータ最適化なしでも、同様の加速度を維持できる。 これらの結果から, NISQデバイスにおける実効的なサンプリングベース量子アルゴリズムとしてこの手法を確立し, 量子計算における現実的な問題を解く可能性を強調した。

関連論文リスト

• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Enhancing variational quantum algorithms by balancing training on classical and quantum hardware [1.8377902806196762]
  変分量子アルゴリズム(VQA)は、量子ユーティリティや利点への短期的なルートを提供する可能性がある。 VQAは、基底状態推定のような様々なタスクに対して提案されている。 量子ハードウェアのトレーサビリティとリソースコストには、依然として大きな課題がある。
  論文  参考訳（メタデータ） (2025-03-20T17:17:58Z)
• Quantum-assisted variational Monte Carlo [1.283555556182245]
  量子多体系の基底状態を解くために,量子支援型変分モンテカルロ (QA-VMC) アルゴリズムを導入する。 提案手法は,従来の提案法に比べて絶対スペクトルギャップが大きく,自己相関時間も小さくなることを示す。
  論文  参考訳（メタデータ） (2025-02-28T07:31:38Z)
• 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)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• 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)
• Squeezing and quantum approximate optimization [0.6562256987706128]
  変分量子アルゴリズムは、デジタル量子コンピュータを用いた最適化問題の解法として興味深い可能性を提供する。 しかし、そのようなアルゴリズムにおける達成可能な性能と量子相関の役割は未だ不明である。 我々は、IBM量子チップと同様に、システマティックな手順で高度に圧縮された状態が生成されるかを数値的に示す。
  論文  参考訳（メタデータ） (2022-05-20T18:00:06Z)
• Surviving The Barren Plateau in Variational Quantum Circuits with Bayesian Learning Initialization [0.0]
  変分量子古典ハイブリッドアルゴリズムは、近い将来に量子コンピュータの実用的な問題を解くための有望な戦略と見なされている。 本稿では,ベイズ空間における有望な領域を特定するために勾配を用いた高速・スローアルゴリズムを提案する。 本研究は, 量子化学, 最適化, 量子シミュレーション問題における変分量子アルゴリズムの応用に近づいたものである。
  論文  参考訳（メタデータ） (2022-03-04T17:48:57Z)
• Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
  本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。 特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-27T21:15:35Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)

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。