論文の概要: Accelerating Noisy Variational Quantum Algorithms with Physics-Informed Denoising Networks

• arxiv url: http://arxiv.org/abs/2605.02066v1
• Date: Sun, 03 May 2026 21:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.066769
• Title: Accelerating Noisy Variational Quantum Algorithms with Physics-Informed Denoising Networks
• Title（参考訳）: 物理インフォームドデノイングネットワークを用いた雑音変動量子アルゴリズムの高速化
• Authors: Jie Liu, Xin Wang,
• Abstract要約: 変分量子アルゴリズムは、短期量子コンピューティングには有望であるが、ハードウェアノイズとゼロノイズ外挿法(ZNE)のような誤差軽減法に必要な回路オーバーヘッドにより、著しく制限されている。 本研究では,その最適化力学の代理モデルを学ぶことにより,ZNEのコストを削減できる物理情報デノナイジングネットワーク(PIDN)を提案する。 すべてのタスクにおいて、PIDNはZNEに匹敵するパフォーマンスを実現し、回路実行回数を約4から6に削減する。
• 参考スコア（独自算出の注目度）: 8.108113752089812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational quantum algorithms are promising for near-term quantum computing, but are severely limited by hardware noise and the substantial circuit overhead required for error mitigation methods such as Zero-Noise Extrapolation (ZNE). We propose a Physics-Informed Denoising Network (PIDN) that reduces the cost of ZNE by learning a surrogate model of its optimization dynamics. By viewing the variational update as a trajectory in the parameter space, PIDN is trained to reproduce ZNE-mitigated expectation values and gradient directions while incorporating a physics-informed loss that preserves the gradient descent dynamics. Once trained, PIDN replaces repeated multi-noise evaluations with denoised expectation and gradient estimation directly from the current noisy observation and the historical trajectory, significantly reducing circuit executions. We benchmark the approach on the quantum approximate optimization algorithm for 3-regular graphs, Sherrington-Kirkpatrick, and transverse-field Ising models, as well as the variational quantum eigensolver for LiH, BeH$_2$ and H$_2$O. Across all tasks, PIDN attains performance comparable to ZNE, while reducing the number of circuit executions by a factor of approximately 4 to 6. Gradient cosine similarity with ZNE remains above 0.95 throughout training. Robustness analysis shows that PIDN fails only when ZNE itself becomes unreliable, and ablation studies confirm the necessity of the physics-informed loss for maintaining directional consistency. We further find that PIDN tracks optimization dynamics most accurately when the effective loss landscape retains strong low-frequency structure. These results establish PIDN as a scalable, resource-efficient strategy for noise-resilient variational optimization in the noisy intermediate-scale quantum regime.
• Abstract（参考訳）: 変分量子アルゴリズムは、短期量子コンピューティングには有望であるが、ハードウェアノイズやゼロノイズ外挿法(ZNE)のようなエラー軽減手法に必要な回路オーバーヘッドにより、著しく制限されている。 本稿では,その最適化力学の代理モデルを学ぶことにより,ZNEのコストを削減できる物理インフォームド・デノナイジング・ネットワーク(PIDN)を提案する。 パラメータ空間における変分更新を軌跡として見ることにより、PIDNは、勾配勾配勾配ダイナミクスを保存する物理インフォームドロスを取り入れつつ、ZNE緩和予測値と勾配方向を再現するように訓練される。 トレーニングが完了すると、PIDNは繰り返し発生するマルチノイズ評価を、現在のノイズ観測と過去の軌跡から直接、予測と勾配推定に置き換え、回路実行を大幅に削減する。 我々は,3つの正則グラフ,シェリントン・カークパトリック,および横場イジングモデルの量子近似最適化アルゴリズムと,LiH,BeH$_2$およびH$_2$Oの変分量子固有解法についてベンチマークを行った。 すべてのタスクにおいて、PIDNはZNEに匹敵するパフォーマンスを実現し、回路実行回数を約4から6に削減する。 ZNEとのグラディエントなコサイン類似性は、訓練を通して0.95以上である。 ロバストネス解析により、PIDNはZNE自体が信頼性が低い場合にのみ失敗し、アブレーション研究は、方向整合性を維持するために物理学的インフォームド損失の必要性を証明している。 さらに、PIDNは、有効なロスランドスケープが強い低周波構造を保持する場合に、最適化のダイナミクスを最も正確に追跡する。 これらの結果は、ノイズ耐性変動最適化のためのスケーラブルで資源効率の良い戦略としてPIDNを確立している。

関連論文リスト

• Scale-PINN: Learning Efficient Physics-Informed Neural Networks Through Sequential Correction [33.84065974605524]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式を解くための有望なメッシュフリーパラダイムとして登場した。 本稿では,現代の物理インフォームドラーニングを数値アルゴリズムでブリッジする学習戦略である,学習効率の高いPINN(Scale-PINN)について紹介する。
  論文  参考訳（メタデータ） (2026-02-23T03:38:06Z)
• Efficient quantum machine learning with inverse-probability algebraic corrections [2.7412662946127764]
  量子ニューラルネットワーク(QNN)は、量子重畳と絡み合いを利用して表現力のある確率モデルを提供する。 量子ニューラルネットワーク(QNN)は、量子重畳と絡み合いを利用して表現力のある確率モデルを提供する。 既存のトレーニングアプローチは、主に勾配に基づく手続き最適化に依存している。
  論文  参考訳（メタデータ） (2026-01-23T11:28:53Z)
• The PID Controller Strikes Back: Classical Controller Helps Mitigate Barren Plateaus in Noisy Variational Quantum Circuits [0.5520082338220947]
  変分量子アルゴリズム(VQA)は古典最適化と量子計算の利点を組み合わせたものである。 VQAはしばしば、バレン高原(Barren Plateau)として知られる消失する勾配問題に悩まされる。 本稿では,古典的比例積分微分制御器とニューラルネットワークを統合し,変動量子回路のパラメータを更新するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-11-18T14:55:42Z)
• Looking elsewhere: improving variational Monte Carlo gradients by importance sampling [41.94295877935867]
  ニューラルネットワーク量子状態(NQS)は、量子多体波動関数を表現するために強力で表現力のあるアンサッツを提供する。 量子化学で現れる急激なピーク波動関数のようないくつかのシナリオは、変動最適化の有効性を阻害する高分散勾配推定器をもたらすことが知られている。 本研究では、適応的に調整された重要度サンプリングを用いて、これらのサンプリング問題に取り組むための体系的戦略について検討する。 提案手法により,バニラVMCの計算コストを,高ピークの量子化学波動関数をターゲットとした場合,最大100倍に削減できる。
  論文  参考訳（メタデータ） (2025-07-07T18:00:03Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Adaptive variational quantum dynamics simulations with compressed circuits and fewer measurements [4.2643127089535104]
  AVQDS(T)と呼ばれる適応変分量子力学シミュレーション(AVQDS)法の改良版を示す。 このアルゴリズムは、変分力学の精度の尺度であるマクラクラン距離を一定しきい値以下に保つために、アンザッツ回路に不連結なユニタリゲートの層を適応的に加算する。 また、雑音耐性を増強した変動パラメータに対する線形運動方程式を解くために、固有値トランケーションに基づく手法を示す。
  論文  参考訳（メタデータ） (2024-08-13T02:56:43Z)
• Stochastic Gradient Langevin Dynamics Based on Quantization with Increasing Resolution [0.0]
  非目的関数に対する量子化最適化に基づく代替的な降下学習方程式を提案する。 本稿では,バニラニューラル畳み込みニューラル(CNN)モデルにおける提案手法の有効性と各種データセット間のアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2023-05-30T08:55:59Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。