Fugu-MT 論文翻訳(概要): Investigation of Automated Design of Quantum Circuits for Imaginary Time Evolution Methods Using Deep Reinforcement Learning

論文の概要: Investigation of Automated Design of Quantum Circuits for Imaginary Time Evolution Methods Using Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2604.07951v1
Date: Thu, 09 Apr 2026 08:17:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:05.790351
Title: Investigation of Automated Design of Quantum Circuits for Imaginary Time Evolution Methods Using Deep Reinforcement Learning
Title（参考訳）: 深部強化学習を用いた等温時間発展法における量子回路の自動設計の検討
Authors: Ryo Suzuki, Shohei Watabe,
Abstract要約: 本稿では,Double Deep-Q Networks (DDQN) を用いたVITE回路設計のためのフレームワークを提案する。本稿では,回路構成を多目的問題として扱い,同時にエネルギー期待値の最小化と回路複雑性の最適化を行う。 Max-Cut問題において、我々のエージェントは、標準のハードウェア効率のアンサッツよりも約37%のゲートと43%の深さの回路を自律的に検出した。
参考スコア（独自算出の注目度）: 6.1990010478895
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Efficient ground state search is fundamental to advancing combinatorial optimization problems and quantum chemistry. While the Variational Imaginary Time Evolution (VITE) method offers a useful alternative to Variational Quantum Eigensolver (VQE), and Quantum Approximate Optimization Algorithm (QAOA), its implementation on Noisy Intermediate-Scale Quantum (NISQ) devices is severely limited by the gate counts and depth of manually designed ansatz. Here, we present an automated framework for VITE circuit design using Double Deep-Q Networks (DDQN). Our approach treats circuit construction as a multi-objective optimization problem, simultaneously minimizing energy expectation values and optimizing circuit complexity. By introducing adoptive thresholds, we demonstrate significant hardware overhead reductions. In Max-Cut problems, our agent autonomously discovered circuits with approximately 37\% fewer gates and 43\% less depth than standard hardware-efficient ansatz on average. For molecular hydrogen ($H_2$), the DDQN also achieved the Full-CI limit, with maintaining a significantly shallower circuit. These results suggest that deep reinforcement learning can be helpful to find non-intuitive, optimal circuit structures, providing a pathway toward efficient, hardware-aware quantum algorithm design.
Abstract（参考訳）: 効率的な基底状態探索は、組合せ最適化問題や量子化学の進歩に不可欠である。可変Imaginary Time Evolution (VITE) 法は変分量子固有解法 (VQE) や量子近似最適化アルゴリズム (QAOA) の代替として有用であるが、ノイズ中間量子 (NISQ) デバイスへの実装は手動設計のアンサッツのゲート数と深さによって著しく制限されている。本稿では,Double Deep-Q Networks (DDQN) を用いたVITE回路設計のための自動フレームワークを提案する。本稿では,回路構成を多目的最適化問題として扱い,同時にエネルギー期待値の最小化と回路複雑性の最適化を行う。採用しきい値を導入することで、ハードウェアオーバーヘッドの大幅な削減が示される。 Max-Cut問題において、我々のエージェントは、平均して37倍のゲートと43倍の深さの回路を自律的に発見した。水素分子(H_2$)の場合、DDQNはより浅い回路を維持しながらフルCI限界を達成した。これらの結果は、深層強化学習が非直感的で最適な回路構造を見つけるのに役立つことを示唆し、効率的なハードウェア対応の量子アルゴリズム設計への道筋を提供する。

関連論文リスト

FlowQ-Net: A Generative Framework for Automated Quantum Circuit Design [8.70817825961863]
自動量子回路合成のための生成フレームワークであるtextscFlowQ-Net(Flow-based Quantum Design Network)を紹介する。このフレームワークは、回路を順次構築するポリシーを学習し、それらをフレキシブルなユーザ定義報酬関数にサンプリングする。シミュレーションにより,textscFlowQ-Netの有効性を実証する。
論文参考訳（メタデータ） (2025-10-30T16:57:13Z)
CutQAS: Topology-aware quantum circuit cutting via reinforcement learning [0.0]
量子回路切断と量子アーキテクチャ探索(QAS)を統合して量子化学シミュレーションを強化するフレームワークであるCutQASを提案する。まず、RLエージェントが最適回路構造を特定するために可能な全てのトポロジを探索し、次いで第2のRLエージェントが最適な回路切断を決定することにより選択したトポロジを洗練し、制約のあるハードウェア上での効率的な実行を保証する。
論文参考訳（メタデータ） (2025-04-05T13:13:50Z)
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)
Reinforcement learning-assisted quantum architecture search for variational quantum algorithms [0.0]
この論文は、ノイズの多い量子ハードウェアにおける機能量子回路の同定に焦点を当てている。本稿では, テンソルを用いた量子回路の符号化, 環境力学の制約により, 可能な回路の探索空間を効率的に探索する。様々なVQAを扱う際、我々のRLベースのQASは既存のQASよりも優れています。
論文参考訳（メタデータ） (2024-02-21T12:30:39Z)
Quantum Architecture Search with Unsupervised Representation Learning [24.698519892763283]
教師なし表現学習は量子アーキテクチャ探索(QAS)を前進させる新しい機会を提供する QASは変分量子アルゴリズム(VQA)のための量子回路を最適化するように設計されている
論文参考訳（メタデータ） (2024-01-21T19:53:17Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
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)
Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文参考訳（メタデータ） (2021-06-24T20:16:02Z)
Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文参考訳（メタデータ） (2020-09-15T18:17:27Z)
Improving the Performance of Deep Quantum Optimization Algorithms with Continuous Gate Sets [47.00474212574662]
変分量子アルゴリズムは計算的に難しい問題を解くのに有望であると考えられている。本稿では,QAOAの回路深度依存性能について実験的に検討する。この結果から, 連続ゲートセットの使用は, 短期量子コンピュータの影響を拡大する上で重要な要素である可能性が示唆された。
論文参考訳（メタデータ） (2020-05-11T17:20:51Z)

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。