論文の概要: Discrete Flow-Based Generative Models for Measurement Optimization in Quantum Computing

• arxiv url: http://arxiv.org/abs/2509.15486v1
• Date: Thu, 18 Sep 2025 23:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.938524
• Title: Discrete Flow-Based Generative Models for Measurement Optimization in Quantum Computing
• Title（参考訳）: 量子コンピューティングにおける計測最適化のための離散フローベース生成モデル
• Authors: Isaac L. Huidobro-Meezs, Jun Dai, Rodrigo A. Vargas-Hernández,
• Abstract要約: 本稿では,ハミルトニアンのグラフ表現を彩色するために生成フローネットワーク(GFlowNets)を適用するアルゴリズムを提案する。 ベンチマーク分子ハミルトニアンでは, 測定コストを削減し, ソートインサーションベースラインよりも優れていた。 この生成ポリシーフレームワークは、測定コストを削減するだけでなく、潜在的なハードウェア対応適応にも柔軟性を提供する。
• 参考スコア（独自算出の注目度）: 2.758609987735587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving chemical accuracy in quantum simulations is often constrained by the measurement bottleneck: estimating operators requires a large number of shots, which remains costly even on fault-tolerant devices and is further exacerbated on today's noisy hardware by finite circuit fidelity and error-mitigation overhead. Addressing this challenge involves a multiobjective optimization problem that balances total shot count, the number of distinct measurement circuits, and hardware-specific compilation constraints. Existing methods typically rely on heuristic graph-coloring strategies to group commuting or qubit-wise commuting Hamiltonian terms, or on greedy allocation schemes for distributing measurements. Such approaches explore only a limited portion of the combinatorial solution space, potentially missing superior solutions. We introduce an algorithm that adapts Generative Flow Networks (GFlowNets) for coloring graph representations of Hamiltonians, enabling the generation of diverse, high-quality groupings. Our approach samples colored graphs in proportion to a user-defined reward, naturally capturing multiobjective trade-offs and discovering multiple competitive solutions. On benchmark molecular Hamiltonians, our method outperforms sorted-insertion baselines by reducing measurement costs. We further analyze the role of composite rewards, incorporating both the number of circuits and measurement costs, leading to additional improvements. This generative policy framework not only reduces measurement costs but also offers flexibility for potential hardware-aware adaptations through its reward function.
• Abstract（参考訳）: 演算子の推定には大量のショットが必要で、耐故障性のあるデバイスでもコストがかかり、有限回路の忠実さと誤差軽減のオーバーヘッドによって今日のノイズの多いハードウェアでさらに悪化する。 この課題に対処するには、全ショット数、異なる測定回路の数、ハードウェア固有のコンパイル制約のバランスをとる多目的最適化問題がある。 既存の手法は、一般に、グループ通勤や量子的に通勤するハミルトンの項に対するヒューリスティックなグラフ彩色戦略や、測定値の分散のためのグリーディ割当スキームに頼っている。 このようなアプローチは組合せ解空間の限られた部分のみを探索し、より優れた解を欠く可能性がある。 本稿では,ハミルトニアンのグラフ表現にGFlowNets(Generative Flow Networks)を適用するアルゴリズムを提案する。 提案手法では,ユーザ定義の報酬に比例して色付きグラフをサンプリングし,自然に多目的トレードオフを捉え,複数の競合ソリューションを発見する。 ベンチマーク分子ハミルトニアンでは, 測定コストを削減し, ソートインサーションベースラインよりも優れていた。 さらに、回路数と測定コストの両方を取り入れた複合報酬の役割を分析し、さらなる改善をもたらす。 この生成ポリシーフレームワークは、測定コストを削減するだけでなく、その報酬関数を通じて、潜在的なハードウェア対応適応に対する柔軟性を提供する。

関連論文リスト

• Unitary Dilation Strategy Towards Efficient and Exact Simulation of Non-Unitary Quantum Evolutions [0.0]
  我々は,非単位演算を量子デバイスにマッピングするための,効率的かつ正確な単一アンシラ分解手法を提案する。 ラグランジュ・シルヴェスター(Lagrange-Sylvester)は,機能近似のための解析的微分法に類似した手法である。 これは、オープンシステムの実用的な量子計算に非常に望ましい測定コストの、数桁のスケール削減につながる可能性がある。
  論文  参考訳（メタデータ） (2025-01-30T19:00:17Z)
• GFlowNets for Hamiltonian decomposition in groups of compatible operators [5.198557487975197]
  現在の量子アルゴリズムは、ハードウェアの制限と、化学的精度を達成するために必要な測定回数の増加によって制約されている。 本稿では,GFlowNets を用いて,与えられたハミルトニアン内における完全 (FC) あるいは qubit-wise commuting (QWC) 項をグループ化する確率的フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-21T14:14:29Z)
• Scaling Up the Quantum Divide and Conquer Algorithm for Combinatorial Optimization [0.8121127831316319]
  本稿では,デバイス間通信コストを大幅に削減する量子回路の構築手法を提案する。 そこで本研究では,従来のQDCA手法の約3倍の大きさのトラクタブル回路を構築できることを示す。
  論文  参考訳（メタデータ） (2024-05-01T20:49:50Z)
• Avoiding barren plateaus via Gaussian Mixture Model [6.0599055267355695]
  変分量子アルゴリズムは、量子コンピューティングにおいて最も代表的なアルゴリズムの1つである。 大量の量子ビット、ディープ・サーキット・レイヤ、グローバル・コスト・ファンクションを扱う場合、それらはしばしば訓練不能となる。
  論文  参考訳（メタデータ） (2024-02-21T03:25:26Z)
• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• AMED: Automatic Mixed-Precision Quantization for Edge Devices [3.5223695602582614]
  量子ニューラルネットワークは、レイテンシ、消費電力、モデルサイズをパフォーマンスに大きな影響を与えずに減少させることでよく知られている。 混合精度量子化は、異なるビット幅での算術演算をサポートするカスタマイズされたハードウェアのより良い利用を提供する。
  論文  参考訳（メタデータ） (2022-05-30T21:23:22Z)
• Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
  我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。 問題の大きさと問題グラフの次数で指数関数的に増大する。 これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2022-01-06T21:02:30Z)

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。