論文の概要: Learning parameter curves in feedback-based quantum optimization algorithms

• arxiv url: http://arxiv.org/abs/2601.08085v1
• Date: Tue, 13 Jan 2026 00:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.98441
• Title: Learning parameter curves in feedback-based quantum optimization algorithms
• Title（参考訳）: フィードバックに基づく量子最適化アルゴリズムにおける学習パラメータ曲線
• Authors: Vicente Peña Pérez, Matthew D. Grace, Christian Arenz, Alicia B. Magann,
• Abstract要約: 我々は、MaxCut問題インスタンスを関連するFQAパラメータ曲線にマッピングするために教師学生モデルを訓練する。 数値実験により,FQAパラメータ曲線を精度良く予測できることが示唆された。 これらの結果から,機械学習は,量子アルゴリズムにおけるサンプリングコストとリソースオーバーヘッドを低減するための実践的な経路を提供する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feedback-based quantum algorithms (FQAs) operate by iteratively growing a quantum circuit to optimize a given task. At each step, feedback from qubit measurements is used to inform the next quantum circuit update. In practice, the sampling cost associated with these measurements can be significant. Here, we ask whether FQA parameter sequences can be predicted using classical machine learning, obviating the need for qubit measurements altogether. To this end, we train a teacher-student model to map a MaxCut problem instance to an associated FQA parameter curve in a single classical inference step. Numerical experiments show that this model can accurately predict FQA parameter curves across a range of problem sizes, including problem sizes not seen during model training. To evaluate performance, we compare the predicted parameter curves in simulation against FQA reference curves and linear quantum annealing schedules. We observe similar results to the former and performance improvements over the latter. These results suggest that machine learning can offer a heuristic, practical path to reducing sampling costs and resource overheads in quantum algorithms.
• Abstract（参考訳）: フィードバックベースの量子アルゴリズム(FQA)は、与えられたタスクを最適化するために、反復的に量子回路を成長させることで動作する。 各ステップでは、次の量子回路のアップデートを知らせるために、キュービット測定からのフィードバックが使用される。 実際には、これらの測定に関連するサンプリングコストが重要である。 ここでは、古典的な機械学習を用いてFQAパラメータ列を予測できるかどうかを問う。 この目的のために、教師学生モデルを訓練し、MaxCut問題インスタンスを1つの古典的推論ステップで関連するFQAパラメータ曲線にマッピングする。 数値実験により,FQAパラメータ曲線はモデル学習中に見られない問題の大きさを含む,様々な問題の大きさで正確に予測できることが示されている。 評価のために,FQA基準曲線と線形量子アニールスケジュールとの比較を行った。 前者と同様の結果が得られ、後者よりも性能が向上した。 これらの結果は、機械学習が量子アルゴリズムのサンプリングコストとリソースオーバーヘッドを減らすための、ヒューリスティックで実践的な方法をもたらすことを示唆している。

関連論文リスト

• Prospects of Quantum Error Mitigation for Quantum Signal Processing [0.0]
  本研究は量子信号処理(QSP)で設計されたハミルトンシミュレーションアルゴリズムにおけるゼロノイズ抽出(ZNE)の性能について検討する。 我々は、ZNEプロトコルがノイズのない予測値の近似を回復できるノイズと深さを定量化する。 サンプル予算が無制限であっても,ZNEが使用不可能な領域に関する数値的研究を簡潔に議論し,提示する。
  論文  参考訳（メタデータ） (2025-05-08T19:49:54Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Towards Accurate Post-training Quantization for Reparameterized Models [6.158896686945439]
  現在のポストトレーニング量子化法(PTQ)は、しばしばかなりの精度の劣化を引き起こす。 これは主にチャネル特異的およびサンプル特異的な外れ値によって引き起こされる。 本稿では、量子化された再パラメータ化モデルの精度を維持する新しいフレームワークであるRepAPQを提案する。
  論文  参考訳（メタデータ） (2024-02-25T15:42:12Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• Estimating the degree of non-Markovianity using variational quantum circuits [0.0]
  我々は、環境の非マルコビアン性の度合いを推定するために、キュービットをプローブとして用いることを提案する。 正確な推定を行うために, 量子環境相互作用の最適シーケンスを求める。
  論文  参考訳（メタデータ） (2022-02-28T17:14:46Z)
• Frequentist Parameter Estimation with Supervised Learning [0.0]
  回帰を用いて未知パラメータの機械学習点推定を行う。 トレーニング数が大きい場合、これはよく知られた最大形推定器(MLE)と同一である。 機械学習推定器は,MLEの望ましい特性を,トレーニンググリッドの解像度に課せられる限界まで継承することを示す。
  論文  参考訳（メタデータ） (2021-05-26T02:24:25Z)
• Q-Match: Iterative Shape Matching via Quantum Annealing [64.74942589569596]
  形状対応を見つけることは、NP-hard quadratic assignment problem (QAP)として定式化できる。 本稿では,アルファ拡大アルゴリズムに触発されたQAPの反復量子法Q-Matchを提案する。 Q-Match は、実世界の問題にスケールできるような長文対応のサブセットにおいて、反復的に形状マッチング問題に適用できる。
  論文  参考訳（メタデータ） (2021-05-06T17:59:38Z)
• Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
  本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。 この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:48:12Z)
• Measuring Analytic Gradients of General Quantum Evolution with the Stochastic Parameter Shift Rule [0.0]
  本研究では,量子計測から直接最適化される関数の勾配を推定する問題について検討する。 マルチキュービットパラメトリック量子進化の勾配を推定するアルゴリズムを提供する数学的に正確な公式を導出する。 私たちのアルゴリズムは、利用可能な全ての量子ゲートがノイズである場合でも、いくつかの近似で機能し続けています。
  論文  参考訳（メタデータ） (2020-05-20T18:24:11Z)

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。