論文の概要: A Neural-Guided Variational Quantum Algorithm for Efficient Sign Structure Learning in Hybrid Architectures

• arxiv url: http://arxiv.org/abs/2507.07555v1
• Date: Thu, 10 Jul 2025 08:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.33317
• Title: A Neural-Guided Variational Quantum Algorithm for Efficient Sign Structure Learning in Hybrid Architectures
• Title（参考訳）: ハイブリッドアーキテクチャにおける効率的な手形構造学習のためのニューラルネットワークによる変分量子アルゴリズム
• Authors: Mengzhen Ren, Yu-Cheng Chen, Yangsen Ye, Min-Hsiu Hsieh, Alice Hu, Chang-Yu Hsieh,
• Abstract要約: 変分量子アルゴリズムは、短期量子プロセッサのパワーを解き放つという大きな約束を持っている。 本稿では、古典的および量子的モジュール間で振幅と手話の学習を分離するニューラルネットワーク誘導変分量子アルゴリズムsVQNHEを紹介する。 このハイブリッド量子古典的シナジーは、測定コストを削減するだけでなく、限られた量子資源で高い表現性を達成する。
• 参考スコア（独自算出の注目度）: 11.258303973058377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational quantum algorithms hold great promise for unlocking the power of near-term quantum processors, yet high measurement costs, barren plateaus, and challenging optimization landscapes frequently hinder them. Here, we introduce sVQNHE, a neural-guided variational quantum algorithm that decouples amplitude and sign learning across classical and quantum modules, respectively. Our approach employs shallow quantum circuits composed of commuting diagonal gates to efficiently model quantum phase information, while a classical neural network learns the amplitude distribution and guides circuit optimization in a bidirectional feedback loop. This hybrid quantum-classical synergy not only reduces measurement costs but also achieves high expressivity with limited quantum resources and improves the convergence rate of the variational optimization. We demonstrate the advancements brought by sVQNHE through extensive numerical experiments. For the 6-qubit J1-J2 model, a prototypical system with a severe sign problem for Monte Carlo-based methods, it reduces the mean absolute error by 98.9% and suppresses variance by 99.6% relative to a baseline neural network, while requiring nearly 19x fewer optimization steps than a standard hardware-efficient VQE. Furthermore, for MaxCut problems on 45-vertex Erdos-Renyi graphs, sVQNHE improves solution quality by 19% and quantum resource efficiency by 85%. Importantly, this framework is designed to be scalable and robust against hardware noise and finite-sampling uncertainty, making it well-suited for both current NISQ processors and future high-quality quantum computers. Our results highlight a promising path forward for efficiently tackling complex many-body and combinatorial optimization problems by fully exploiting the synergy between classical and quantum resources in the NISQ era and beyond.
• Abstract（参考訳）: 変分量子アルゴリズムは、短期量子プロセッサのパワーを解き放つという大きな約束を持っているが、高い測定コスト、不規則な高原、そして困難な最適化環境がそれらを頻繁に妨げている。 本稿では,古典的および量子的モジュール間の振幅と手話学習を分離する,ニューラルネットワークによる変分量子アルゴリズムsVQNHEを紹介する。 従来のニューラルネットワークは振幅分布を学習し,回路最適化を双方向のフィードバックループで導く。 このハイブリッド量子古典相乗効果は、測定コストを削減するだけでなく、限られた量子資源で高い表現性を達成し、変分最適化の収束率を向上させる。 我々は, sVQNHEによる広範な数値実験による進歩を実証する。 6-qubit J1-J2モデルでは、モンテカルロをベースとした手法に深刻な符号問題を持つプロトタイプシステムであり、平均絶対誤差を98.9%削減し、標準のニューラルネットワークと比較して99.6%のばらつきを抑えると同時に、標準的なハードウェア効率のVQEよりも19倍近い最適化ステップを必要とする。 さらに、45頂点 Erdos-Renyi グラフ上の MaxCut 問題に対しては、sVQNHE は解の質を19%改善し、量子資源効率は85%向上した。 このフレームワークは、ハードウェアノイズや有限サンプリングの不確実性に対してスケーラブルで堅牢なように設計されており、現在のNISQプロセッサと将来の高品質量子コンピュータの両方に適している。 NISQ時代以降の古典的資源と量子的資源の相乗効果をフル活用することで、複雑な多体および組合せ最適化問題に効率的に取り組むための将来性のある道のりを示す。

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)
• Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
  量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。 我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
  論文  参考訳（メタデータ） (2025-05-01T14:39:26Z)
• Enhancing variational quantum algorithms by balancing training on classical and quantum hardware [1.8377902806196762]
  量子ニューラルネットワークを用いた最大12キュービットハミルトニアンの変分量子固有解法(VQE)と量子位相分類 量子ニューラルネットワークを用いた最大12量子ビットハミルトニアンのVQEと量子位相分類を用いた6-18量子ハミルトニアンの基底状態推定手法の数値評価を行った。
  論文  参考訳（メタデータ） (2025-03-20T17:17:58Z)
• Hybrid Quantum-Classical Optimisation of Traveling Salesperson Problem [0.0]
  トラベリングセールスパーソン問題(TSP)は基本的なNPハード最適化問題である。 量子最適化技術と古典的機械学習手法を統合するハイブリッド量子古典的手法を提案する。
  論文  参考訳（メタデータ） (2025-02-28T22:07:28Z)
• 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)
• 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)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• 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)
• 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)
• Space-efficient binary optimization for variational computing [68.8204255655161]
  本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。 また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
  論文  参考訳（メタデータ） (2020-09-15T18:17:27Z)

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。