論文の概要: Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware
- arxiv url: http://arxiv.org/abs/2610.32571v1
- Date: Fri, 23 Oct 2026 12:57:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.517205
- Title: Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware
- Title（参考訳）: パウリ伝播と量子ハードウェアへの展開による大型浅層パラメタライズド量子回路の古典的事前評価
- Abstract要約: パウリ伝搬フレームワークを量子機械学習のクラスに適用する。
古典的ハードウェアで完全に最小化できる損失に対する明示的なパラメトリック表現を得る。
ここで考慮した回路は、IQPスタイルのアンスターゼよりもパラメトリケートゲートがかなり少ないことを示す。
- 参考スコア（独自算出の注目度）: 0.3653697742557466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scaling parametrized quantum circuits to a larger number of qubits is a central challenge in Quantum Machine Learning: gradient estimation via the parameter-shift rule quickly becomes prohibitively expensive, while gradient-free optimizers offer limited convergence guarantees. We apply the Pauli propagation framework to a broad class of Quantum Machine Learning problems in which the loss is expressed as a function of expectation values of the circuit's observables, while keeping the relevant quantity of interest, such as the quantum state or its samples, classically intractable to compute. By propagating the observables backward through the circuit, we obtain an explicit parametric expression for the loss that can be minimized entirely on classical hardware. We also present complementary strategies to make propagation tractable at large scale, including weight-based and degree-based truncations and pruning heuristics. We demonstrate the approach on two benchmarks run on 64-qubit circuits: Variational Quantum Eigensolver on a two-dimensional Ising model, and training of a discrete-type generative model for binary images. In both cases, the classically pre-trained parameters are deployed on the IBM quantum processor ibm_berlin. For generative learning, we additionally show that the circuits considered here require substantially fewer parametrized gates than IQP-style ansätze, reducing transpilation overhead and making deployment on current quantum hardware feasible.
- Abstract（参考訳）: パラメータシフト規則による勾配推定は急速に高価になり、勾配のないオプティマイザは限定収束保証を提供する。
本稿では,回路の観測値の期待値の関数として損失を表現し,量子状態やサンプルなどの関連する関心量を計算に難易度に保ちながら,広範にわたる量子機械学習問題に適用する。
回路を通して観測対象を後方に伝播することにより、損失に対する明示的なパラメトリック表現を得ることができ、古典的ハードウェア上では最小限にすることができる。
また,重みに基づくトラニケーションや等級に基づくトラニケーション,プルーニングヒューリスティックスなど,大規模に伝搬性を高めるための補完的戦略も提示する。
2次元イジングモデルにおける変分量子固有解法と2次元画像に対する離散型生成モデルの訓練である。
どちらの場合も、古典的に事前訓練されたパラメータはIBM量子プロセッサ ibm_berlin 上に展開される。
さらに、生成学習において、ここで検討した回路はIQP方式のアンセッツェよりもパラメトリケートゲートを著しく少なくし、トランスパイルオーバーヘッドを低減し、現在の量子ハードウェアへの展開を可能にすることを示す。
関連論文リスト
- Verifiable quantum advantage in extremely low depth [52.51019642214249]
浅量子回路では解けない問題を格子ベースの仮定で解くのが困難である。
浅量子回路は、解を効率よく検証できる古典的な難題を解くのに十分な構造を持っていることを証明している。
論文 参考訳（メタデータ） (2026-09-01T15:54:34Z) - Distributed Quantum Computing via Adaptive Circuit Knitting [1.8412409895691513]
本稿では,サブシステム間の最小絡み合いの領域を発見することで,量子回路の効率的な分割を見つける適応回路編み(ACK)手法を提案する。
最大60キュービットまでの1次元および2次元の乱れた混合場イジングモデルをシミュレートし、ACKアプローチにより、興味のある観測対象に対して最大4桁のサンプリングオーバーヘッドを削減できることを示す。
論文 参考訳（メタデータ） (2026-03-12T19:51:32Z) - Non-perturbative switching rates in bistable open quantum systems: from driven Kerr oscillators to dissipative cat qubits [72.41778531863143]
単一モードバイスタブルオープン量子系におけるスイッチング率の予測にはパス積分手法を用いる。
本研究は,マルチ安定な単体および多体オープン量子系におけるスイッチング現象を探索するための新たな道を開く。
論文 参考訳（メタデータ） (2025-07-24T18:01:36Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - 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) - Mapping quantum circuits to shallow-depth measurement patterns based on
graph states [0.0]
我々は,測定に基づく量子コンピューティングのためのハイブリッドシミュレーション手法を開発した。
完全可換作用素の群は完全並列、すなわち非適応的測定を用いて実装可能であることを示す。
量子テレポーテーションを用いることで、そのような回路を一定の量子深さで実装する方法について議論する。
論文 参考訳（メタデータ） (2023-11-27T19:00:00Z) - Variational Embeddings for Many Body Quantum Systems [0.0]
我々は、量子デバイスを高精度の解法として、関連する自由度に組み込む方法を示す。
スピン鎖および小分子に対するプロトコルの有効性を実証する。
論文 参考訳（メタデータ） (2023-09-15T18:00:05Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Bayesian Learning of Parameterised Quantum Circuits [0.0]
我々はベイズ後部の近似として古典的最適化の確率論的視点を取り、再定式化する。
ラプラスを用いた最大後点推定に基づく次元縮小戦略について述べる。
量子H1-2コンピュータの実験では、結果として得られる回路は勾配なしで訓練された回路よりも高速でノイズが少ないことが示されている。
論文 参考訳（メタデータ） (2022-06-15T14:20:14Z) - Circuit connectivity boosts by quantum-classical-quantum interfaces [0.4194295877935867]
高接続回路は、現在の量子ハードウェアの主要な障害である。
本稿では,スワップゲートはしごを使わずにそのような回路をシミュレートする古典量子ハイブリッドアルゴリズムを提案する。
より遠い2つの量子ビットに対するベル状態回路の有効性を数値的に示す。
論文 参考訳（メタデータ） (2022-03-09T19:00:02Z)
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。