論文の概要: TITAN: A Trajectory-Informed Technique for Adaptive Parameter Freezing in Large-Scale VQE
- arxiv url: http://arxiv.org/abs/2509.15193v1
- Date: Thu, 18 Sep 2025 17:50:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.370951
- Title: TITAN: A Trajectory-Informed Technique for Adaptive Parameter Freezing in Large-Scale VQE
- Title（参考訳）: TITAN:大規模VQEにおける適応パラメータ凍結のための軌道インフォームド手法
- Authors: Yifeng Peng, Xinyi Li, Samuel Yen-Chi Chen, Kaining Zhang, Zhiding Liang, Ying Wang, Yuxuan Du,
- Abstract要約: 変分量子固有解法(VQE)は、量子コンピュータを用いて量子化学と材料シミュレーションを推し進める主要な候補である。
そこで我々はTitanと呼ばれる深層学習フレームワークを提案し,不活性パラメータの同定と凍結を行う。
タイタンはコンバージェンスを最大で3倍速くし、最先端のベースラインよりも40%から60%少ない回路評価を実現している。
- 参考スコア（独自算出の注目度）: 32.19056082853506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational quantum Eigensolver (VQE) is a leading candidate for harnessing quantum computers to advance quantum chemistry and materials simulations, yet its training efficiency deteriorates rapidly for large Hamiltonians. Two issues underlie this bottleneck: (i) the no-cloning theorem imposes a linear growth in circuit evaluations with the number of parameters per gradient step; and (ii) deeper circuits encounter barren plateaus (BPs), leading to exponentially increasing measurement overheads. To address these challenges, here we propose a deep learning framework, dubbed Titan, which identifies and freezes inactive parameters of a given ansatze at initialization for a specific class of Hamiltonians, reducing the optimization overhead without sacrificing accuracy. The motivation of Titan starts with our empirical findings that a subset of parameters consistently has a negligible influence on training dynamics. Its design combines a theoretically grounded data construction strategy, ensuring each training example is informative and BP-resilient, with an adaptive neural architecture that generalizes across ansatze of varying sizes. Across benchmark transverse-field Ising models, Heisenberg models, and multiple molecule systems up to 30 qubits, Titan achieves up to 3 times faster convergence and 40% to 60% fewer circuit evaluations than state-of-the-art baselines, while matching or surpassing their estimation accuracy. By proactively trimming parameter space, Titan lowers hardware demands and offers a scalable path toward utilizing VQE to advance practical quantum chemistry and materials science.
- Abstract（参考訳）: 変分量子固有解法(VQE)は量子コンピュータを用いて量子化学や材料シミュレーションを推し進める主要な候補である。
このボトルネックを克服する2つの問題。
(i)非閉化定理は、勾配ステップ当たりのパラメータ数で回路評価の線形成長を課し、
(II)深い回路はバレン高原(BP)に遭遇し、測定オーバーヘッドが指数関数的に増加する。
これらの課題に対処するために、Titanと呼ばれるディープラーニングフレームワークを提案する。これは、特定のハミルトンのクラスの初期化時に与えられたアンサーゼの不活性パラメータを特定し凍結し、精度を犠牲にすることなく最適化オーバーヘッドを低減する。
タイタンの動機は、パラメータのサブセットがトレーニングダイナミクスに無視できない影響を常に与えているという経験的な発見から始まります。
その設計は理論的に根ざしたデータ構築戦略と、各トレーニング例が情報的かつBP耐性であることを保証し、さまざまなサイズのアンサーゼをまたいで一般化する適応型ニューラルネットワークアーキテクチャを組み合わせる。
ベンチマークの逆場イジングモデル、ハイゼンベルクモデル、および最大30キュービットまでの複数の分子系において、タイタンは3倍の収束を達成し、最先端のベースラインよりも40%から60%少ない回路評価を達成する。
パラメータ空間を積極的にトリミングすることで、Titanはハードウェアの需要を減らし、実用的な量子化学と材料科学の進歩にVQEを活用するためのスケーラブルな道を提供する。
関連論文リスト
- Low Cost Bayesian Experimental Design for Quantum Frequency Estimation with Decoherence [45.74830585715129]
WES: 低コスト適応型ベイズ実験設計のためのウィンドウ拡張戦略を紹介する。
我々は、最適化のオーバーヘッドを低く抑え、スケーリング問題を抑え、高い並列性を実現するために、実証的なコスト削減技術を採用している。
数値シミュレーションにより、WESはハイゼンベルク限界を飽和させ、最も信頼性の高い性能と学習速度を提供することが示された。
論文 参考訳（メタデータ） (2025-08-09T23:41:58Z) - TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Sculpting Quantum Landscapes: Fubini-Study Metric Conditioning for Geometry Aware Learning in Parameterized Quantum Circuits [0.0]
本稿では,変分量子アルゴリズムにおけるバレンプラトーを緩和するために,フビニ・スタディ・テンソルを明示的に条件づけたSculptureというメタラーニングフレームワークを提案する。
本研究では,フビニ・スタディ・メトリックの対数条件を,トレーニング可能性,最適化力学,一般化を規定する重要な幾何学的量として同定する。
論文 参考訳（メタデータ） (2025-06-27T06:30:33Z) - Compact Multi-Threshold Quantum Information Driven Ansatz For Strongly Interactive Lattice Spin Models [0.0]
近似量子相互情報(QMI)に基づくアンザッツ建築の体系的手順を提案する。
提案手法は,QMI値に基づいて各層の量子ビット対が選択される層状アンサッツを生成し,より効率的な状態生成と最適化ルーチンを実現する。
その結果,Multi-QIDA法は高い精度を維持しながら計算複雑性を低減し,格子スピンモデルにおける量子シミュレーションに有望なツールであることがわかった。
論文 参考訳（メタデータ） (2024-08-05T17:07:08Z) - Neural Quantum State Study of Fracton Models [3.8068573698649826]
フラクトン模型は3次元以上の非伝統的な位相秩序を包含する。
これらのモデルにおける相転移を研究するための新しいツールとして、ニューラル量子状態(NQS)を確立する。
本研究は,複雑な3次元問題の研究におけるNQSの顕著な可能性を示すものである。
論文 参考訳（メタデータ） (2024-06-17T15:58:09Z) - Alleviating Barren Plateaus in Parameterized Quantum Machine Learning
Circuits: Investigating Advanced Parameter Initialization Strategies [4.169604865257672]
ランダムパラメータ値を持つ場合、量子量子回路(PQC)はしばしばバレンプラトー(BP)を示す。
BPは量子アルゴリズムの最適化を妨げるため、量子ビット数の増加とともに勾配が消えつつある。
本稿では,PQCにおける古典的機械学習における最先端パラメータ初期化戦略の影響を解析する。
論文 参考訳（メタデータ） (2023-11-22T08:07:53Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳（メタデータ） (2021-03-15T17:38:33Z) - GradInit: Learning to Initialize Neural Networks for Stable and
Efficient Training [59.160154997555956]
ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。
各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。
また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
論文 参考訳（メタデータ） (2021-02-16T11:45:35Z)
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。