論文の概要: Tensor network surrogate models for variational quantum computation
- arxiv url: http://arxiv.org/abs/2604.20180v1
- Date: Wed, 22 Apr 2026 04:53:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.968548
- Title: Tensor network surrogate models for variational quantum computation
- Title（参考訳）: 変分量子計算のためのテンソルネットワークサロゲートモデル
- Authors: Ryo Watanabe, Dries Sels, Joseph Tindall,
- Abstract要約: 我々は2次元量子ビットアーキテクチャ上での変分量子アルゴリズムをシミュレートするために2次元テンソルネットワーク(TN)アンサッツを採用する。
最大3体の相互作用を持つ重六角形問題では、小さなインスタンスで訓練されたパラメータをシステムに転送することで、サンプルエネルギーの分布が大幅に向上する。
より大規模なシステムサイズでのTNシミュレーションでトレーニング自体を拡張することで、局所的なミニマを回避し、低エネルギーサンプルを得る。
- 参考スコア（独自算出の注目度）: 0.20391237204597365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We adopt a two-dimensional tensor-network (TN) ansatz to simulate variational quantum algorithms on two-dimensional qubit architectures, demonstrating its capability to accurately simulate deep circuits through the Quantum Approximate Optimization Algorithm (QAOA) applied to Ising spin-glass problems on heavy-hexagonal and square lattices. For heavy-hexagonal problems with up to three-body interactions, parameters trained on small instances and transferred to systems an order of magnitude larger improve the sampled energy distribution only up to intermediate depths, indicating a fundamental limit of parameter concentration as a transfer strategy. By extending the training itself with TN simulations on larger system sizes, we avoid local minima and obtain lower-energy samples. Analyses of entanglement growth and importance sampling show that the simulation remains classically feasible with moderate bond dimension. We find that parameter concentration also persists on square lattices, albeit at substantially higher computational cost to perform reliable sampling. Overall, our TN framework not only provides an efficient and controlled framework for benchmarking variational quantum algorithms on two-dimensional lattices, but also serves as an effective surrogate model for training variational algorithms.
- Abstract（参考訳）: 我々は2次元量子ビットアーキテクチャ上での変分量子アルゴリズムのシミュレートに2次元テンソル・ネットワーク(TN)アンサッツを採用し、重い六角形および正方形格子上のイジングスピングラス問題に適用した量子近似最適化アルゴリズム(QAOA)を用いて深部回路を正確にシミュレートできることを実証した。
最大3体の相互作用を持つ重六角形問題では、小さなインスタンスで訓練されたパラメータをシステムに転送することで、サンプルエネルギーの分布を中間深さまで改善し、パラメータ濃度の基本的な限界を転送戦略として示している。
より大規模なシステムサイズでのTNシミュレーションでトレーニング自体を拡張することで、局所的なミニマを回避し、低エネルギーサンプルを得る。
エンタングルメント成長と重要サンプリングの分析は、シミュレーションが古典的に適度な結合次元で実現可能であることを示している。
パラメータ濃度は2乗格子にも持続するが, 精度の高いサンプリングを行うには計算コストがかなり高い。
全体として、我々のTNフレームワークは2次元格子上で変分量子アルゴリズムをベンチマークするための効率的かつ制御されたフレームワークを提供するだけでなく、変分量子アルゴリズムをトレーニングするための効果的な代理モデルとしても機能する。
関連論文リスト
- Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。
適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。
我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2025-11-23T14:47:24Z) - Optimizing two-dimensional isometric tensor networks with quantum computers [0.5437050212139087]
本稿では,2次元量子システムの基底状態を近似するハイブリッド量子古典アルゴリズムを提案する。
密度行列再正規化群に着想を得て、一連の有効ハミルトニアンを対角化することでテンソルを逐次最適化する。
提案手法は, 2次元(2次元)逆場イジングモデルを用いて, 量子オーバーヘッドを極小に抑えた25量子ビットの基底状態最適化を実現する。
論文 参考訳（メタデータ） (2025-11-17T19:00:03Z) - Low-Bit, High-Fidelity: Optimal Transport Quantization for Flow Matching [0.0]
Flow Matching (FM) 生成モデルは、効率的なシミュレーションなしのトレーニングと決定論的サンプリングを提供するが、その実践的展開は高精度なパラメータ要求によって困難である。
我々は、最適輸送(OT)に基づくポストトレーニング量子化をFMモデルに適用し、量子化とオリジナルウェイトの間の2-ワッサーシュタイン距離を最小化し、その一様、一様、対数量子化スキームに対する効果を体系的に比較する。
論文 参考訳（メタデータ） (2025-11-14T15:49:36Z) - Quantum Approximate Optimization Algorithm for MIMO with Quantized b-bit Beamforming [47.98440449939344]
多重入力多重出力(MIMO)は6G通信において重要であり、スペクトル効率と信頼性の向上を提供する。
本稿では、送信機と受信機の両方でbビット量子化位相シフト器の問題に対処するために、量子近似最適化アルゴリズム(QAOA)と交互最適化を適用することを検討する。
この量子化ビームフォーミング問題の構造はQAOAのようなハイブリッド古典的手法と自然に一致し、ビームフォーミングで使われる位相シフトは量子回路の回転ゲートに直接マッピングできる。
論文 参考訳（メタデータ） (2025-10-07T17:53:02Z) - Variationally optimizing infinite projected entangled-pair states at large bond dimensions: A split corner transfer matrix renormalization group approach [0.2796197251957244]
本稿では,PEPS層を分離し,新しい環境テンソルを活用することで,精度を保ちながら計算複雑性を低減できる「スプリットCTMRG」アルゴリズムを提案する。
量子格子モデルのベンチマークでは、変動エネルギー最適化のためのかなりのスピードアップが示され、この手法は大規模PEPSシミュレーションに有用である。
論文 参考訳（メタデータ） (2025-02-14T16:59:33Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z) - Quantum algorithms for grid-based variational time evolution [36.136619420474766]
本稿では,第1量子化における量子力学の実行のための変分量子アルゴリズムを提案する。
シミュレーションでは,従来観測されていた変動時間伝播手法の数値不安定性を示す。
論文 参考訳（メタデータ） (2022-03-04T19:00:45Z) - Two-dimensional $\mathbb{Z}_2$ lattice gauge theory on a near-term
quantum simulator: variational quantum optimization, confinement, and
topological order [0.0]
浅量子回路上での2次元$mathbbZ$格子ゲージ理論モデルの実装を提案する。
基底状態の準備は、変分量子アルゴリズムを用いて小さな格子上で数値解析される。
本研究は,格子ゲージ理論のディジタルシミュレーションを行うツールボックスに,変分量子アルゴリズムが付加する上で有用な手法であることを示す。
論文 参考訳（メタデータ） (2021-12-22T10:45:33Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z)
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。