論文の概要: Nonstabilizerness Estimation using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2511.23224v1
• Date: Fri, 28 Nov 2025 14:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.930482
• Title: Nonstabilizerness Estimation using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる非安定度推定
• Authors: Vincenzo Lipardi, Domenica Dibenedetto, Georgios Stamoulis, Evert van Nieuwenburg, Mark H. M. Winands,
• Abstract要約: 本稿では、SRE(Stabler Rényi entropy)によって測定された量子回路の非安定化性を推定するためのグラフニューラルネットワーク(GNN)アプローチを提案する。 本稿では,3つの教師付き学習形式を用いて,非安定化度推定問題に対処する。 実験の結果,提案したGNNは,グラフベース回路表現から有意義な特徴を捉えることができた。
• 参考スコア（独自算出の注目度）: 0.23749905164931204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article proposes a Graph Neural Network (GNN) approach to estimate nonstabilizerness in quantum circuits, measured by the stabilizer Rényi entropy (SRE). Nonstabilizerness is a fundamental resource for quantum advantage, and efficient SRE estimations are highly beneficial in practical applications. We address the nonstabilizerness estimation problem through three supervised learning formulations starting from easier classification tasks to the more challenging regression task. Experimental results show that the proposed GNN manages to capture meaningful features from the graph-based circuit representation, resulting in robust generalization performances achieved across diverse scenarios. In classification tasks, the GNN is trained on product states and generalizes on circuits evolved under Clifford operations, entangled states, and circuits with higher number of qubits. In the regression task, the GNN significantly improves the SRE estimation on out-of-distribution circuits with higher number of qubits and gate counts compared to previous work, for both random quantum circuits and structured circuits derived from the transverse-field Ising model. Moreover, the graph representation of quantum circuits naturally integrates hardware-specific information. Simulations on noisy quantum hardware highlight the potential of the proposed GNN to predict the SRE measured on quantum devices.
• Abstract（参考訳）: 本稿では、SRE(Stabler Rényi entropy)によって測定された量子回路の非安定化性を推定するためのグラフニューラルネットワーク(GNN)アプローチを提案する。 非安定化器性は量子的優位性の基礎的な資源であり、効率的なSRE推定は実用上は非常に有用である。 より簡単な分類タスクからより困難な回帰タスクまで,3つの教師付き学習定式化による非安定化性推定問題に対処する。 実験の結果,提案したGNNは,グラフベースの回路表現から有意義な特徴を捉えることができ,その結果,様々なシナリオにまたがる堅牢な一般化性能が得られることがわかった。 分類タスクでは、GNNは製品状態に基づいて訓練され、クリフォード演算の下で進化した回路、絡み合った状態、より多くの量子ビットを持つ回路で一般化される。 回帰タスクにおいて、GNNは、逆場イジングモデルから導出されるランダム量子回路と構造化回路の両方に対して、前処理よりも多くの量子ビットとゲート数を持つ分布外回路のSRE推定を著しく改善する。 さらに、量子回路のグラフ表現は、ハードウェア固有の情報を自然に統合する。 ノイズの多い量子ハードウェアのシミュレーションでは、量子デバイス上で測定されたSREを予測するために提案されたGNNの可能性を強調している。

関連論文リスト

• A Study on Stabilizer Rényi Entropy Estimation using Machine Learning [0.25165775267615204]
  任意の量子状態に対するR'enyiエントロピー(SRE)を推定するための機械学習手法を提案する。 本研究では、回帰タスクとしてSRE推定をフレーム化し、包括的なデータセット上でランダムフォレスト回帰器とサポートベクター回帰器(SVR)をトレーニングする。 実験結果から,回路レベルの特徴を訓練したSVRが全体の性能を最大化できることが示唆された。
  論文  参考訳（メタデータ） (2025-09-20T20:10:11Z)
• Resource-Efficient Hadamard Test Circuits for Nonlinear Dynamics on a Trapped-Ion Quantum Computer [1.2063443893298391]
  本稿では,Adamardテスト回路の低深さ実装を提案する。 我々は変分アルゴリズムに特化してパラメータ化量子アンサッツを開発した。 以上の結果より,シングルビットゲート数と2ビットゲート数が有意に減少した。
  論文  参考訳（メタデータ） (2025-07-25T13:16:54Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Output Prediction of Quantum Circuits based on Graph Neural Networks [18.98693954112122]
  本稿では,量子回路の出力期待値を予測するためのグラフニューラルネットワーク(GNN)ベースのフレームワークを提案する。 我々は,同じデータセット上での畳み込みニューラルネットワーク(CNN)に対する雑音条件と雑音条件の両方において,GNNの予測性能を比較した。
  論文  参考訳（メタデータ） (2025-04-01T06:38:47Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Stability and Generalization Analysis of Gradient Methods for Shallow Neural Networks [59.142826407441106]
  本稿では,アルゴリズム安定性の概念を活用して,浅層ニューラルネットワーク(SNN)の一般化挙動について検討する。 我々は、SNNを訓練するために勾配降下(GD)と勾配降下(SGD)を考慮する。
  論文  参考訳（メタデータ） (2022-09-19T18:48:00Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• Preparing Renormalization Group Fixed Points on NISQ Hardware [0.0]
  Evenbly と White の作業に適応した回路を用いて, 臨界イジングモデルの基底状態の堅牢性について数値的, 実験的に検討した。 実験的な実装は、局所可観測物の収束と安定性に見られる再正規化を通じて自己補正を示す。 また、再正規化回路に特化して適応したゼロノイズ外挿方式による誤差低減を数値的に検証する。
  論文  参考訳（メタデータ） (2021-09-20T18:35:11Z)

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。