論文の概要: How to find expressible and trainable parameterized quantum circuits?

• arxiv url: http://arxiv.org/abs/2603.14451v1
• Date: Sun, 15 Mar 2026 15:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.813076
• Title: How to find expressible and trainable parameterized quantum circuits?
• Title（参考訳）: 表現可能で訓練可能な量子回路の探索法
• Authors: Peter Röseler, Dennis Willsch, Kristel Michielsen,
• Abstract要約: トレーニング性と表現性を組み合わせた回路を同定するための特性に基づくアンザッツ探索フレームワークを提案する。 実量子コンピュータ上での実用可能性を示し、変分量子アルゴリズムに適用する。
• 参考スコア（独自算出の注目度）: 0.22940141855172033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether parameterized quantum circuits (PQCs) can be systematically constructed to be both trainable and expressive remains an open question. Highly expressive PQCs often exhibit barren plateaus, while several trainable alternatives admit efficient classical simulation. We address this question by deriving a finite-sample, dimension-independent concentration bound for estimating the variance of a PQC cost function, yielding explicit trainability guarantees. Across commonly used ansätze, we observe an anticorrelation between trainability and expressibility, consistent with theoretical insights. Building on this observation, we propose a property-based ansatz-search framework for identifying circuits that combine trainability and expressibility. We demonstrate its practical viability on a real quantum computer and apply it to variational quantum algorithms. We identify quantum neural network ansätze with improved effective dimension using over $6 \times$ fewer parameters, and for VQE on $\mathrm{H}_2$ we achieve UCCSD-like accuracy at substantially reduced circuit complexity.
• Abstract（参考訳）: パラメータ化量子回路(PQC)が、訓練可能かつ表現可能の両方に体系的に構築できるかどうかは未解決の問題である。 高表現率のPQCは、しばしば不毛の台地を示すが、いくつかの訓練可能な代替品は、効率的な古典的シミュレーションを許容する。 我々は,PQCコスト関数の分散を推定するために,有限サンプル次元非依存濃度を導出した。 一般的に用いられるアンセッツェ(Ansätze)は、学習可能性と表現性の間の反相関を理論的洞察と整合して観察する。 本研究は,学習性と表現性を組み合わせた回路同定のための特性ベースアンサツ探索フレームワークを提案する。 実量子コンピュータ上での実用可能性を示し、変分量子アルゴリズムに適用する。 量子ニューラルネットワークのアンセッツェは、6ドル以上の時間でパラメータを減らし、VQEが$\mathrm{H}_2$の場合、回路の複雑さを大幅に減らしてUCCSDのような精度を実現する。

関連論文リスト

• 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)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Learning the expressibility of quantum circuit ansatz using transformer [5.368973814856243]
  本稿では,量子回路のアンサーゼの表現可能性を予測するために,トランスフォーマーモデルを提案する。 本研究は、量子回路アンサーゼの表現可能性の理解を深め、量子アーキテクチャ探索アルゴリズムを進化させることが可能である。
  論文  参考訳（メタデータ） (2024-05-29T07:34:07Z)
• Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
  量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。 本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。 我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
  論文  参考訳（メタデータ） (2023-10-11T14:29:11Z)
• Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
  変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。 この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
  論文  参考訳（メタデータ） (2023-02-09T14:05:18Z)
• SnCQA: A hardware-efficient equivariant quantum convolutional circuit architecture [11.404166974371197]
  SnCQAは、等変量子畳み込み回路のハードウェア効率の変動回路の集合である。 我々の量子ニューラルネットワークは、置換対称性が存在する機械学習問題を解決するのに適している。
  論文  参考訳（メタデータ） (2022-11-23T05:16:26Z)
• 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)

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。