論文の概要: Hardware Demonstration of Neural-Surrogated Quantum-Enhanced MCMC for Large-Scale Constrained Boltzmann Sampling
- arxiv url: http://arxiv.org/abs/2611.05883v1
- Date: Wed, 04 Nov 2026 03:18:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.931026
- Title: Hardware Demonstration of Neural-Surrogated Quantum-Enhanced MCMC for Large-Scale Constrained Boltzmann Sampling
- Title（参考訳）: 大規模ボルツマンサンプリングのためのニューラルサロゲート量子強化MCMCのハードウェア実証
- Abstract要約: 量子近似最適化アルゴリズム(QAOA)のサンプルに基づいてトレーニングされたニューラルネットワークを用いてボルツマンサンプリングを高速化する。
我々は,QeMCMCをハードウェア効率よく実装し,IBM Quantum Heron r2プロセッサを用いて実演する。
- 参考スコア（独自算出の注目度）: 3.3083504598202733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural-surrogated quantum-enhanced Markov chain Monte Carlo (QeMCMC) uses neural networks trained on samples from the quantum approximate optimization algorithm (QAOA) to accelerate Boltzmann sampling. A divide-and-conquer strategy extends this approach to larger systems, but independently optimizing QAOA parameters for each subproblem is costly. In this paper, we develop a hardware-efficient implementation of neural-surrogated QeMCMC and demonstrate it using an IBM Quantum Heron r2 processor. Experiments with $N=144$ binary variables reveal faster autocorrelation decay for appropriate subproblem sizes while exposing challenges in neural-surrogate learning for larger blocks. We then extend the demonstration to a system with $N=1064$, where the autocorrelation decay rate per MCMC step is approximately $5.2$ and $12.3$ times those of global and local Kawasaki dynamics, respectively. These results demonstrate faster autocorrelation decay in a system exceeding one thousand variables using samples generated on quantum hardware.
- Abstract（参考訳）: 量子近似最適化アルゴリズム(QAOA)のサンプルに基づいてトレーニングされたニューラルネットワークを用いてボルツマンサンプリングを高速化する。
各サブプロブレムに対して独立にQAOAパラメータを最適化することはコストがかかる。
本稿では,QeMCMCをハードウェア効率よく実装し,IBM Quantum Heron r2プロセッサを用いて実演する。
N=144$バイナリ変数を用いた実験では、適切なサブプロブレムサイズに対する高速な自己相関減衰と、より大きなブロックに対するニューラルサロゲート学習の課題を明らかにする。
N=1064$で、MCMCステップあたりの自己相関崩壊率は、それぞれ、グローバルな川崎ダイナミクスとローカルな川崎ダイナミクスの約5.2$と12.3$であるシステムに拡張する。
これらの結果は、量子ハードウェア上で生成されたサンプルを用いて、1000変数を超えるシステムにおける高速な自己相関崩壊を示す。
関連論文リスト
- Inverse Design of Quantum Control Sequences with Fourier Neural Operators [57.63590760083204]
高次元分子量子力学を学習するためのフーリエニューラル演算子(FNO)に基づくフレームワークを提案する。
我々は,初期混合ボルツマン分布を浄化するパルス列を構成するFNO-SPMP(FNO-SPMP)を開発した。
共有離散制御空間において、FNO-SPMPは強化学習ベースラインの成功率の2倍近くを達成する。
論文 参考訳（メタデータ） (2026-08-04T14:06:59Z) - qSHIFT: An Adaptive Sampling Protocol for Higher-Order Quantum Simulation [0.5635658368100682]
量子シミュレーションは量子コンピューティングの基盤となる応用である。
標準手法は回路深度と精度のトレードオフに直面している。
これらの制限を克服する適応サンプリングプロトコルであるqSHIFTを導入する。
論文 参考訳（メタデータ） (2026-04-29T03:47:21Z) - Divide-and-Conquer Neural Network Surrogates for Quantum Sampling: Accelerating Markov Chain Monte Carlo in Large-Scale Constrained Optimization Problems [2.9436347471485558]
量子強化マルコフ連鎖(英語版)として知られる1つのアプローチは、ターゲット分布への収束を加速するために量子サンプルを提案分布として利用する。
本研究では,ハミング重み制約下でのMCMCの高速化を目的とした量子サンプリングのための分量子ニューラルネットワークサロゲートフレームワークを提案する。
従来のペアフリップ法よりも約20.3ドル,7.6ドル程度の速さで自己相関崩壊速度が一定に向上した。
論文 参考訳（メタデータ） (2026-04-22T15:44:30Z) - Probabilistic Computers for Neural Quantum States [0.0]
我々は、フィールドプログラマブルゲートアレイ(FPGA)上に確率的コンピュータを実装し、エネルギーベースのニューラル量子状態のための高速サンプリング器として利用する。
本稿では,深層ボルツマンマシンを訓練するための二重サンプリングアルゴリズムを導入し,補助層上での条件付きサンプリングに置き換える。
論文 参考訳（メタデータ） (2025-12-31T01:42:04Z) - Enhanced Squeezing and Faster Metrology from Layered Quantum Neural Networks [0.0]
量子貯水池コンピュータ(QRC)、量子パーセプトロン、多層量子ニューラルネットワーク(QNN)のセンシング性能の比較を行った。
すべてのモデルに対して、コヒーレントスピン準備、一軸回転ダイナミクス、弱い回転によるフィールドエンコーディング、時間反転、集団読み出しからなる標準的なメロジカルシーケンスを考察する。
以上の結果から,量子ニューラルネットワークの構造は計算だけでなく,より高速でより感度の高いスクイージング型量子センサの開発にも活用できることが示唆された。
論文 参考訳（メタデータ） (2025-12-09T21:33:22Z) - FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。
我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。
我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
論文 参考訳（メタデータ） (2025-10-13T07:57:21Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z)
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。