論文の概要: Approximate Quantum State Preparation with Tree-Based Bayesian Optimization Surrogates

• arxiv url: http://arxiv.org/abs/2510.00145v2
• Date: Thu, 02 Oct 2025 02:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 21:54:12.785634
• Title: Approximate Quantum State Preparation with Tree-Based Bayesian Optimization Surrogates
• Title（参考訳）: 木質ベイズ最適化サロゲートを用いた近似量子状態合成
• Authors: Nicholas S. DiBrita, Jason Han, Younghyun Cho, Hengrui Luo, Tirthak Patel,
• Abstract要約: 短期量子コンピュータにおける近似状態準備の問題について検討する。 目的は、リソースオーバーヘッドを最小限にしつつ、ターゲット量子状態の出力分布を再現するパラメータ化回路を構築することである。 本稿では,木モデルを用いたベイズ最適化に基づくサロゲート誘導最適化フレームワークCircuitTreeを提案する。
• 参考スコア（独自算出の注目度）: 4.946006905837039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of approximate state preparation on near-term quantum computers, where the goal is to construct a parameterized circuit that reproduces the output distribution of a target quantum state while minimizing resource overhead. This task is especially relevant for near-term algorithms where distributional matching suffices, but it is challenging due to stochastic outputs, limited circuit depth, and a high-dimensional, non-smooth parameter space. We propose CircuitTree, a surrogate-guided optimization framework based on Bayesian Optimization with tree-based models, which avoids the scalability and smoothness assumptions of Gaussian Process surrogates. Our framework introduces a structured layerwise decomposition strategy that partitions parameters into blocks aligned with variational circuit architecture, enabling distributed and sample-efficient optimization with theoretical convergence guarantees. Empirical evaluations on synthetic benchmarks and variational tasks validate our theoretical insights, showing that CircuitTree achieves low total variation distance and high fidelity while requiring significantly shallower circuits than existing approaches.
• Abstract（参考訳）: そこでは,資源のオーバーヘッドを最小限に抑えつつ,対象の量子状態の出力分布を再現するパラメータ化回路を構築することを目的とする。 この課題は,確率的出力,回路深さの制限,高次元非滑らかなパラメータ空間などにより,分布マッチングが十分であるような短期的アルゴリズムに特に関係している。 本稿では,木モデルを用いたベイズ最適化に基づくサロゲート誘導最適化フレームワークCircuitTreeを提案する。 本フレームワークでは,パラメータを可変回路アーキテクチャに整合したブロックに分割し,理論的収束保証を伴う分散およびサンプル効率の最適化を実現する階層分解方式を提案する。 その結果,CircuitTreeは,従来の手法よりもはるかに浅い回路を必要とすると同時に,低全変動距離と高忠実度を実現していることがわかった。

関連論文リスト

• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Implementing transferable annealing protocols for combinatorial optimisation on neutral atom quantum processors: a case study on smart-charging of electric vehicles [1.53934570513443]
  本稿では,類似した局所構造を持つ問題インスタンス間のパラメータ転送可能性の有望性に基づいて構築する。 本研究は,共有ジオメトリを持つグラフ族上の最大独立集合問題に対して,最適パラメータが自然に集中していることを明らかにする。 Orion Alphaプラットフォームでの実験結果から,最大100ドル(約1万1000円)の量子ビット問題へのスケーリングによるアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2024-11-25T18:41:02Z)
• Trainability maximization using estimation of distribution algorithms assisted by surrogate modelling for quantum architecture search [8.226785409557598]
  量子アーキテクチャサーチ(QAS)は、量子パラメトリック回路の構成を最適化するだけでなく、変分量子アルゴリズムのパラメータも最適化する。 本稿では,(1)粗悪な性能のアーキテクチャを積極的に破棄する評価プロセスのオンラインサロゲートモデルによる測定数を削減し,(2)BPが存在する場合の回路のトレーニングを避けることを目的とした。 我々は、変分量子固有解法の提案を実験的に検証し、我々のアルゴリズムがハミルトニアンの文献でこれまで提案されていた解を見つけることができることを示した。
  論文  参考訳（メタデータ） (2024-07-29T15:22:39Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• DessiLBI: Exploring Structural Sparsity of Deep Networks via Differential Inclusion Paths [45.947140164621096]
  逆スケール空間の差分包摂に基づく新しい手法を提案する。 DessiLBIが早期に「優勝チケット」を発表することを示す。
  論文  参考訳（メタデータ） (2020-07-04T04:40:16Z)

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。