論文の概要: Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations

• arxiv url: http://arxiv.org/abs/2607.02794v1
• Date: Thu, 02 Jul 2026 22:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.42162
• Title: Reducing quantum measurements in qubit-based overlapping grouping methods for quantum energy estimation through better initializations
• Title（参考訳）: より優れた初期化による量子エネルギー推定のための量子ビットに基づく重なり合うグループ化法における量子測定の低減
• Authors: Isaac L. Huidobro-Meezs, Rodrigo A. Vargas-Hernández,
• Abstract要約: グループ戦略はハミルトン人の期待値を推定するコストを大幅に削減する。 重なり合う方法には、イニシャルとしてSorted Insertion (SI) アルゴリズムから得られるハミルトン群の非重複なグループ化が必要である。 VarSIグルーピングは、重複メソッドによって既に必要とされていた共分散インフォームド辞書を利用して、より良い非重複グループを構築する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The measurement cost for estimating expectation values of Hamiltonians is a central bottleneck in variational quantum algorithms. Grouping strategies significantly reduce this cost, with overlapping techniques being the state of the art in the field. Overlapping grouping methods require i) a non-overlapping grouping of the Hamiltonian, typically obtained from the Sorted Insertion (SI) algorithm as initialization, and ii) the construction of covariance dictionaries from approximate wavefunctions to guide the optimization. It was recently shown that different initializations can potentially reduce measurement costs for overlapping methods. Motivated by these findings, we introduce variance-aware SI (VarSI), a family of covariance-informed non-overlapping Pauli grouping heuristics to reduce measurement counts. VarSI grouping leverages the covariance dictionaries, already required by overlapping methods, to construct better non-overlapping groups. We propose three variants: a global greedy grouping insertion rule, a variance-informed SI analog, and a local refinement step initialized from SI or our variance-informed variant. We showcase the use of groupings generated by our VarSI heuristic algorithms to initialize overlapping methods using the iterative coefficient-splitting (ICS) algorithm. Molecular benchmarks with 130 Hamiltonians demonstrate consistent, non-overlapping measurement improvements over SI of 38\% and enhanced downstream ICS results when initialized from VarSI groups. We find that the initializations considered here achieve up to 70\% measurement reductions for ICS, compared to the standard SI initialization with mean reductions of 9--15.3\% depending on qubit mappings and covariance dictionaries used. These results show that non-overlapping grouping remains a consequential design step even when the final estimator uses overlapping fragments.
• Abstract（参考訳）: ハミルトンの期待値を推定するための測定コストは、変動量子アルゴリズムにおける中心的なボトルネックである。 グループ戦略は、この分野における最先端技術である重複技術によって、このコストを大幅に削減する。 重なり合うグルーピング法 一 ハミルトンの非重複群であって、典型的にはSorted Insertion (SI) アルゴリズムを初期化として得られるもの 二 最適化を導くために、近似波動関数から共分散辞書を構築すること。 近年、異なる初期化が重なり合う手法の計測コストを削減できることが示されている。 これらの知見に触発されて,共分散インフォームド非重複パウリ群ヒューリスティックの家系である分散認識SI(VarSI)を導入し,測定回数を削減する。 VarSIグルーピングは、重複メソッドが既に必要としている共分散辞書を利用して、より良い非重複グループを構築する。 本稿では,大域的グリーディーグルーピング挿入規則,分散インフォームドSIアナログ,SIから初期化される局所改良ステップ,および我々の分散インフォームド不変量という3つの変種を提案する。 本稿では、VarSIヒューリスティックアルゴリズムによって生成されたグループ化を用いて、反復係数分割(ICS)アルゴリズムを用いて重なり合う手法を初期化する。 130のハミルトニアンの分子ベンチマークでは、VarSIグループから初期化されると、SIが38 %以上、ダウンストリームICSが強化された。 ICSの初期化は、クビットマッピングや共分散辞書に依存する平均9～15.3倍の9～15.3倍の標準SI初期化と比較すると、最大70\%のICS測定削減を実現している。 これらの結果から,最後の推定器が重なり合うフラグメントを用いても,重複しないグループ化は連続的な設計段階のままであることがわかった。

関連論文リスト

• Analysis of Hessian Scaling for Local and Global Costs in Variational Quantum Algorithm [0.42970700836450487]
  変分量子アルゴリズムにおけるヘッセンのエントリーワイズ解の定量化を行う。 ショットノイズに対してヘッセン成分を解くのに必要なサンプルの複雑さを規定する2つの異なるスケーリング機構を示す。
  論文  参考訳（メタデータ） (2026-01-31T15:49:23Z)
• Matrix Factorization Framework for Community Detection under the Degree-Corrected Block Model [48.989531198582704]
  我々は,DCBM推論を制約付き非負行列分解問題として再定義できることを示した。 我々のアプローチは、任意の特定のネットワーク構造に適応し、DCBMで表現可能な任意の構造を持つグラフに適用する。 合成および実ベンチマークネットワークの実験により,本手法はDCBMの推測に匹敵するコミュニティを検出する。
  論文  参考訳（メタデータ） (2026-01-09T19:16:29Z)
• Improved parameter initialization for the (local) unitary cluster Jastrow ansatz [0.3017117582063482]
  化学における量子アルゴリズムのパラメータを改善するための2つの方法を提案する。 最初の方法は期待値とサンプルベースアルゴリズムの両方に適用でき、CCSD振幅の圧縮倍率化を用いる。 サンプルベースアルゴリズムに適用可能な第2の方法は、近似テンソルネットワークシミュレーションを用いて、アンザッツ回路によって生成されたサンプルの品質を改善する。
  論文  参考訳（メタデータ） (2025-11-27T14:05:18Z)
• Improved seeding strategies for k-means and k-GMM [1.8416014644193064]
  我々はk平均クラスタリングとk-GMMのためのランダム化シード手法を再検討する。 本研究は, 種子採取に用いる指標, 候補種子数, 種子選択に用いる指標の3つの重要な成分を定式化した。 実験では、最終計量の観点から古典的競合者よりも一貫した定数係数の改善が示される。
  論文  参考訳（メタデータ） (2025-06-26T14:10:40Z)
• Online Covariance Estimation in Nonsmooth Stochastic Approximation [14.818683408659764]
  非滑らかな変分包含問題を解くために近似法(SA)を適用することを検討する。 我々の収束構造は、統計的推定法で最もよく知られているものを確立する。
  論文  参考訳（メタデータ） (2025-02-07T20:16:51Z)
• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• Information-Theoretic Generalization Bounds for Iterative Semi-Supervised Learning [81.1071978288003]
  特に,情報理論の原理を用いて,反復型SSLアルゴリズムのエミュレータ一般化誤差の振る舞いを理解することを目的とする。 我々の理論的結果は、クラス条件分散があまり大きくない場合、一般化誤差の上限は反復数とともに単調に減少するが、すぐに飽和することを示している。
  論文  参考訳（メタデータ） (2021-10-03T05:38:49Z)
• On the Convergence of Stochastic Extragradient for Bilinear Games with Restarted Iteration Averaging [96.13485146617322]
  本稿では, ステップサイズが一定であるSEG法の解析を行い, 良好な収束をもたらす手法のバリエーションを示す。 平均化で拡張した場合、SEGはナッシュ平衡に確実に収束し、スケジュールされた再起動手順を組み込むことで、その速度が確実に加速されることを証明した。
  論文  参考訳（メタデータ） (2021-06-30T17:51:36Z)

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。