論文の概要: Learning Circuits with Infinite Tensor Networks

• arxiv url: http://arxiv.org/abs/2506.02105v1
• Date: Mon, 02 Jun 2025 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.916408
• Title: Learning Circuits with Infinite Tensor Networks
• Title（参考訳）: 無限テンソルネットワークを用いた学習回路
• Authors: Joe Gibbs, Lukasz Cincio,
• Abstract要約: 量子コンピュータ上のハミルトニアンシミュレーションはゲート数によって制約され、回路深さを減らすための技術が動機となっている。 我々はテンソルネットワークを利用して回路設計を支援し、量子機械学習にインスパイアされたユニタリ合成を可能にする。 提案手法は, 基底状態を効率的に生成し, 無限系と有限系の両方で時間発展を行う回路を求める。
• 参考スコア（独自算出の注目度）: 0.4972323953932129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hamiltonian simulation on quantum computers is strongly constrained by gate counts, motivating techniques to reduce circuit depths. While tensor networks are natural competitors to quantum computers, we instead leverage them to support circuit design, with datasets of tensor networks enabling a unitary synthesis inspired by quantum machine learning. For a target simulation in the thermodynamic limit, translation invariance is exploited to significantly reduce the optimization complexity, avoiding a scaling with system size. Our approach finds circuits to efficiently prepare ground states, and perform time evolution on both infinite and finite systems with substantially lower gate depths than conventional Trotterized methods. In addition to reducing CNOT depths, we motivate similar utility for fault-tolerant quantum algorithms, with a demonstrated $5.2\times$ reduction in $T$-count to realize $e^{-iHt}$. The key output of our approach is the optimized unit-cell of a translation invariant circuit. This provides an advantage for Hamiltonian simulation of finite, yet arbitrarily large, systems on real quantum computers.
• Abstract（参考訳）: 量子コンピュータ上のハミルトンシミュレーションはゲート数によって強い制約を受けており、回路深さを減少させる技術が動機となっている。 テンソルネットワークは量子コンピュータと自然に競合するが、代わりにそれらを活用して回路設計をサポートし、量子機械学習にインスパイアされたユニタリ合成を可能にするテンソルネットワークのデータセットを提供する。 熱力学限界における対象シミュレーションでは、変換不変性を利用して最適化の複雑さを著しく低減し、システムサイズによるスケーリングを回避する。 提案手法は, 従来のトロッタライズ法に比べて, ゲート深さがかなり低い無限系および有限系の時間発展を効率的に行うための回路を探索する。 CNOTの深さを減らすことに加えて、フォールトトレラントな量子アルゴリズムに類似したユーティリティを動機付け、$e^{-iHt}$を実現するために$T$-countを$5.2\times$還元することを示した。 提案手法の重要な出力は、変換不変回路の最適化単位セルである。 これは、実量子コンピュータ上の有限だが任意に大きい系のハミルトンシミュレーションに有利である。

関連論文リスト

• Efficient Quantum Circuit Compilation for Near-Term Quantum Advantage [17.38734393793605]
  本稿では,ターゲット量子回路をレンガ壁配置に近似的にコンパイルする手法を提案する。 この新しい回路設計は、実際の量子コンピュータで直接実装できる2量子CNOTゲートで構成されている。
  論文  参考訳（メタデータ） (2025-01-13T15:04:39Z)
• Efficient quantum algorithm to simulate open systems through a single environmental qubit [0.0]
  量子コンピュータ上でのリンドブラッドマスター方程式により記述された開量子系の力学をシミュレーションする効率的なアルゴリズムを提案する。 固定精度条件下では,他の手法と比較してトロッター数を減らすことができる。
  論文  参考訳（メタデータ） (2023-11-16T16:45:30Z)
• Riemannian quantum circuit optimization for Hamiltonian simulation [2.1227079314039057]
  ハミルトンシミュレーションは量子コンピューティングの自然な応用である。 翻訳不変系では、そのような回路トポロジのゲートは古典的なコンピュータでさらに最適化することができる。 一次元格子上のイジングとハイゼンベルクのモデルに対して、我々は桁違いの精度の向上を達成する。
  論文  参考訳（メタデータ） (2022-12-15T00:00:17Z)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• 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)
• An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian Simulation [55.41644538483948]
  現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。 我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。 提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
  論文  参考訳（メタデータ） (2021-08-06T19:38:03Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
  時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。 一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。 幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-01T19:06:00Z)

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。