論文の概要: Stochastic Quantum Hamiltonian Descent

• arxiv url: http://arxiv.org/abs/2507.15424v1
• Date: Mon, 21 Jul 2025 09:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.340289
• Title: Stochastic Quantum Hamiltonian Descent
• Title（参考訳）: 確率量子ハミルトニアン蛍光
• Authors: Sirui Peng, Shengminjie Chen, Xiaoming Sun, Hongyi Zhou,
• Abstract要約: 本稿では,量子力学のグローバル探索パワーとメソッドの計算効率を統合する量子最適化アルゴリズムである量子ハミルトニアン Descent (SQHD)を紹介する。 また、リンドブラディアンの直接シミュレーション中にダイナミクスを近似する離散時間ゲートを提案し、これらの目的を短期量子デバイス上で実現した。
• 参考スコア（独自算出の注目度）: 5.8172845753874896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic Gradient Descent (SGD) and its variants underpin modern machine learning by enabling efficient optimization of large-scale models. However, their local search nature limits exploration in complex landscapes. In this paper, we introduce Stochastic Quantum Hamiltonian Descent (SQHD), a quantum optimization algorithm that integrates the computational efficiency of stochastic gradient methods with the global exploration power of quantum dynamics. We propose a Lindbladian dynamics as the quantum analogue of continuous-time SGD. We further propose a discrete-time gate-based algorithm that approximates these dynamics while avoiding direct Lindbladian simulation, enabling practical implementation on near-term quantum devices. We rigorously prove the convergence of SQHD for convex and smooth objectives. Numerical experiments demonstrate that SQHD also exhibits advantages in non-convex optimization. All these results highlight its potential for quantum-enhanced machine learning.
• Abstract（参考訳）: Stochastic Gradient Descent (SGD)とその変種は、大規模モデルの効率的な最適化を可能にすることによって、現代の機械学習の基盤となっている。 しかし、その局所的な探索の性質は複雑な地形での探索を制限している。 本稿では,確率勾配法の計算効率を量子力学のグローバル探索パワーと統合する量子最適化アルゴリズムであるSQHDを紹介する。 連続時間SGDの量子アナログとしてリンドブラディアンダイナミクスを提案する。 さらに、リンドブラディアンの直接シミュレーションを回避しつつ、これらのダイナミクスを近似した離散時間ゲートベースアルゴリズムを提案し、短期量子デバイスへの実用的な実装を可能にした。 凸および滑らかな目的に対するSQHDの収束を厳密に証明する。 数値実験により、SQHDは非凸最適化の利点も示している。 これらの結果は、量子化された機械学習の可能性を強調している。

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)
• Quantum Walks-Based Adaptive Distribution Generation with Efficient CUDA-Q Acceleration [0.5679775668038153]
  本稿では,量子ウォークに基づく手法を用いて,目標確率分布の高精度かつ効率性を実現する適応分布生成器を提案する。 本手法は,量子ウォークと離散時間量子ウォーク,特にスプリットステップの量子ウォークとそのエンタングル拡張を統合し,コインパラメータを動的にチューニングし,量子状態の進化を所望の分布へと導く。
  論文  参考訳（メタデータ） (2025-04-18T07:53:03Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Towards robust variational quantum simulation of Lindblad dynamics via stochastic Magnus expansion [10.144001671935907]
  我々はリンドブラッド方程式の変分量子シミュレーションのための新しい一般的な枠組みを紹介する。 古典的, 量子的両実装における数値的な例を通して, アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-28T02:37:56Z)
• Quantum Hamiltonian Descent for Non-smooth Optimization [7.773836776652785]
  古典的アルゴリズムの限界を克服するために量子力学をどのように活用するかを検討する。 本稿では,非平滑なグローバルコンバージェンス問題に対して,新しい設計によるグローバルコンバージェンス率を提案する。 さらに,新しいLynov関数を用いて離散時間QHDを完全デジタル化する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T06:02:33Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Application of Langevin Dynamics to Advance the Quantum Natural Gradient Optimization Algorithm [47.47843839099175]
  近年,変分量子回路の最適化のためのQNGアルゴリズムが提案されている。 モメンタムQNGは、変動パラメータ空間における局所的なミニマとプラトーを逃れるのにより効果的である。
  論文  参考訳（メタデータ） (2024-09-03T15:21:16Z)
• Variational Quantum Algorithms for Simulation of Lindblad Dynamics [0.0]
  時間発展型マルコフ開量子系と量子可観測器に対するリンドブラッドマスター方程式とその共役をシミュレートする変動型ハイブリッド古典量子アルゴリズムを提案する。 我々は、解のユニタリおよび非ユニタリダイナミクスを効率的に捕捉する低深さ変動量子回路を設計し、最適化する。
  論文  参考訳（メタデータ） (2023-05-04T13:25:44Z)
• Quantum Hamiltonian Descent [8.580250279996985]
  QHD(Quantum Hamiltonian Descent)は、勾配降下アルゴリズムの真に量子的な存在である。 QHDは、デジタルおよびアナログ量子コンピュータの両方でシミュレート可能なハミルトン進化として記述されている。
  論文  参考訳（メタデータ） (2023-03-02T18:34:38Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• 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。