論文の概要: Generative Replay Mitigates Sample Starvation in Quantum Architecture Search
- arxiv url: http://arxiv.org/abs/2609.11248v1
- Date: Thu, 10 Sep 2026 08:45:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.261031
- Title: Generative Replay Mitigates Sample Starvation in Quantum Architecture Search
- Title（参考訳）: 量子アーキテクチャ検索におけるサンプル飢餓を軽減するジェネレーティブリプレイ
- Abstract要約: 我々は、固定行列積状態のウォームスタートと優先順位付けされた生成リプレイを組み合わせたテンソルネットワーク誘導RLフレームワークであるGenQASを紹介する。
学習された局所遷移モデルは、需要に応じて合成回路遷移を生成し、ダブルディープQ-ネットワーク更新時に実体験と混合する。
6から12キュービットの化学ハミルトニアンベンチマークで、GenQASは固定予算成功確率を改善し、競争エネルギー誤差でコンパクト回路を識別する。
- 参考スコア（独自算出の注目度）: 17.495884923890078
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reinforcement learning (RL) can automate quantum architecture search, but its scalability is limited when useful circuit trajectories become rare in the rapidly expanding search space. Existing replay mechanisms reuse observed transitions; the proposed learned model produces additional predicted one step transitions from real state-action seeds. Here we introduce GenQAS, a tensor network-guided RL framework that combines a fixed matrix product state warm-start with prioritized generative replay. A learned local transition model generates synthetic circuit transitions on demand and mixes them with real experience during Double Deep Q-Network updates. Under a random exploration analysis, near ground state circuits occupy a rapidly shrinking region of the accessible state space. We investigate whether real data anchored synthetic replay can improve the effective training signal in this regime. Across chemical Hamiltonian benchmarks from 6 to 12 qubits, GenQAS improves fixed-budget success probability and identifies compact circuits at competitive energy error. At 12 qubits, it improves final success probability by up to $7.0\times$ over passive replay. On a 15-qubit transverse field Ising model, GenQAS increases success probability from $12\%$ to $21\%$. In a noisy 6-qubit BeH$_2$ transfer experiment, generative replay reduces the steps to chemical accuracy by $92.7\%$. These results show that generative replay can mitigate sample starvation in quantum architecture search and support more resource efficient circuit discovery.
- Abstract（参考訳）: 強化学習 (Reinforcement Learning, RL) は量子アーキテクチャ探索を自動化できるが, 急速に拡大するサーチスペースにおいて, 有用な回路トラジェクトリが稀になれば, スケーラビリティは制限される。
既存の再生機構の再利用が観察された遷移を再現し、提案した学習モデルにより、実際の状態-作用種子からの1段階の遷移が予測される。
本稿では、固定行列積状態のウォームスタートと優先順位付けされた生成再生を組み合わせたテンソルネットワーク誘導RLフレームワークであるGenQASを紹介する。
学習された局所遷移モデルは、需要に応じて合成回路遷移を生成し、ダブルディープQ-ネットワーク更新時に実体験と混合する。
ランダムな探索解析では、近地状態回路はアクセス可能な状態空間の急速に縮小した領域を占有する。
本研究では,実データアンカーによる合成リプレイが,この体制における効果的なトレーニング信号を改善することができるかどうかを考察する。
6から12キュービットの化学ハミルトニアンベンチマークで、GenQASは固定予算成功確率を改善し、競争エネルギー誤差でコンパクト回路を識別する。
12キュービットで、最終的な成功確率を7.0\times$ over passive replayで改善する。
15ビットの逆場イジングモデルでは、GenQASは成功確率を12\%$から21\%$に引き上げる。
ノイズの多い6量子ビットBeH$_2$転送実験では、生成的再生は化学精度を92.7 %$に下げる。
これらの結果から, 生成的リプレイは, 量子アーキテクチャ探索におけるサンプル飢餓を緩和し, より効率的な回路探索を支援することが示唆された。
関連論文リスト
- Gate-level Implementation and Resource Analysis of Lackadaisical Quantum Walk Search [2.370788273780737]
ラカダシカル量子ウォーク(LQW)は離散時間量子ウォーク(DTQW)を拡張する
本稿では,不必要な量子ウォーク探索のためのゲートレベル実装フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-17T21:08:36Z) - Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。
最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
論文 参考訳（メタデータ） (2026-07-17T16:54:25Z) - Replay-buffer engineering for noise-robust quantum circuit optimization [2.816047365212878]
我々はリプレイバッファを量子最適化のためのアルゴリズムレバーとして扱う。
ReaPER$+$は、トレーニングの早い段階でTDエラー駆動の優先順位付けから、値推定が成熟するにつれて、信頼性に配慮したサンプリングへと移行する、アニーレートされたリプレイルールである。
また,12キュービット最適化問題に対して,複数回のアーキテクチャ編集に対して高価な評価を行い,12キュービット最適化問題に対して最大6.7.5%の時間削減を行うOpsCRLQASを導入する。
論文 参考訳（メタデータ） (2026-04-23T16:59:40Z) - SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
基底状態探索は量子コンピューティングの中心である。
我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。
我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
論文 参考訳（メタデータ） (2026-03-25T13:38:15Z) - QASER: Breaking the Depth vs. Accuracy Trade-Off for Quantum Architecture Search [43.72215866683917]
量子コンピューティングは重要な課題に直面している: 複雑な計算に必要な高い精度と低回路深度の必要性のバランス。
我々は,textbfQASERと呼ばれる,工学的な報酬関数を特徴とする新しい強化学習手法を提案する。
最大50%の精度向上を実現し、2量子ゲート数と深さを20%削減した。
論文 参考訳（メタデータ） (2025-11-20T11:53:38Z) - TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search [2.345518191053745]
変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。
量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。
有望なアプローチとして出現する強化学習(RL)。
$textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
論文 参考訳（メタデータ） (2025-05-14T13:23:34Z) - Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。
QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す
混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
論文 参考訳（メタデータ） (2024-01-13T10:56:34Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Graph Neural Network Autoencoders for Efficient Quantum Circuit
Optimisation [69.43216268165402]
我々は、量子回路の最適化にグラフニューラルネットワーク(GNN)オートエンコーダの使い方を初めて提示する。
我々は、量子回路から有向非巡回グラフを構築し、そのグラフを符号化し、その符号化を用いてRL状態を表現する。
我々の手法は、非常に大規模なRL量子回路最適化に向けた最初の現実的な第一歩である。
論文 参考訳（メタデータ） (2023-03-06T16:51:30Z) - QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。
可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。
QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
論文 参考訳（メタデータ） (2021-07-22T17:58:13Z) - Investigating the Exchange of Ising Chains on a Digital Quantum Computer [0.0]
クビット部分空間における状態の移動を通して、ブレイディングのような交換操作を研究する。
このシステムは、基底状態の断熱時間進化を通じて操作をシミュレートする1次元幾何学における2つのイジング鎖で構成されている。
回路深さ, トロタライズ誤差, ノイズ中間スケール量子(NISQ)ハードウェアに関する量子ゲート誤差など, 実装のさまざまな側面についても論じる。
論文 参考訳（メタデータ） (2021-03-09T15:50:41Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z)
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。