論文の概要: A Hardware-Trained Generative Quantum Eigensolver for Sample-Based Quantum Diagonalization of Organotin Hydroxides up to 70 Qubits
- arxiv url: http://arxiv.org/abs/2611.13755v2
- Date: Wed, 11 Nov 2026 05:55:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.907644
- Title: A Hardware-Trained Generative Quantum Eigensolver for Sample-Based Quantum Diagonalization of Organotin Hydroxides up to 70 Qubits
- Title(参考訳): 有機チン水酸化物の試料系量子対角化のためのハードウェアによる生成量子固有解法
- Abstract要約: トレーニングはまずノイズレスシミュレータ上で実行され、次にループ内のIBM Heronプロセッサibm_kobeで実行される。
量子ハードウェアは、古典的なシミュレーションの範囲を超えて、回路ジェネレータを訓練するためのフィードバックを提供することができる。
- 参考スコア(独自算出の注目度): 6.617666499996059
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum hardware can provide feedback for training circuit generators beyond the reach of exact classical simulation. We train generative quantum eigensolver (GQE) policies, transformers conditioned on molecular descriptors, to generate the state-preparation circuits for sample-based quantum diagonalization (SQD). Training runs first on a noiseless simulator and then with the IBM Heron processor ibm_kobe inside the loop, at 46 and 70 qubits ($1.2 \times 10^8$ shots for the four main training runs). A classical CCSD(T) reference energy of the training molecules enters only an admission gate and two auxiliary reward terms. During hardware training, a reward penalty prevents collapse to circuits that sample only the Hartree-Fock determinant. Policies trained on transition-metal complexes are applied without retraining to Sn(OH)$_3$-Me and its hydrates, minimal models of organotin photoresists for extreme-ultraviolet lithography, from 32 to 70 qubits. After one round of hardware sampling, followed by classical ranking and recovery of the cached counts with the molecular Hamiltonian and no further QPU calls, 27 of 28 runs at 46-70 qubits are within 15 mHa of the density-matrix renormalization group (DMRG) reference (median 4.5 mHa), and in all eight runs with an untrained control the trained policy is more accurate. At 56-70 qubits the selected circuits use 34-72 times fewer two-qubit gates than the local unitary cluster Jastrow (LUCJ) circuit transpiled for the same device. These results demonstrate that circuit generators can be trained with quantum hardware at 70 qubits.
- Abstract(参考訳): 量子ハードウェアは、古典的なシミュレーションの範囲を超えて、回路ジェネレータを訓練するためのフィードバックを提供することができる。
分子ディスクリプタに条件付きトランスフォーマーである生成量子固有解法(GQE)ポリシーを学習し、サンプルベース量子対角化(SQD)のための状態準備回路を生成する。
トレーニングはまずノイズレスシミュレータ上で実行し、次にIBM Heronプロセッサのibm_kobeをループ内で実行し、46および70キュービット(4つのメイントレーニングランに対して1.2 \times 10^8$shots)で実行します。
訓練分子の古典的なCCSD(T)参照エネルギーは、入場ゲートと2つの補助報酬項のみに入る。
ハードウェアトレーニング中、報酬ペナルティはハーツリー・フォック行列式のみをサンプリングする回路の崩壊を防ぐ。
Sn(OH)$_3$-Meとその水和物、極紫外リソグラフィーのためのオルガノチンフォトレジストの最小モデル(32から70キュービット)に再訓練することなく遷移金属錯体で訓練されたポリシを適用する。
1ラウンドのハードウェアサンプリングの後、分子ハミルトニアンによるキャッシュカウントの古典的なランク付けとリカバリが行われ、さらにQPUの呼び出しは行われなかったが、46-70キュービットの28の27は密度行列再正規化群(DMRG)の15mHa以内であり、訓練されていない制御で8回の実行はより正確である。
56-70キュービットでは、選択された回路は、同じデバイスにトランスパイルされたローカル・ユニタリクラスタ・ジャストロウ(LUCJ)回路の34-72倍の2キュービットゲートを使用する。
これらの結果から,回路ジェネレータは70量子ビットの量子ハードウェアでトレーニング可能であることが示された。
関連論文リスト
- Optimized Matrix-Product State Simulations of Quantum Error Correction Circuits [7.51462286887016]
マトリックス製品状態(MPS)技術は、ゲートタイプに制限を加えることなく、多くのQEC回路を正確に処理することができる。
そこで本研究では,結合寸法とシミュレーション時間を数桁の規模で削減する一連の最適化手法を提案する。
論文 参考訳(メタデータ) (2026-09-02T18:42:47Z) - 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) - 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) - Soft-Quantum Algorithms [0.0]
量子ニューラルネットワークとしても知られる変分量子回路は、データとトレーニング可能なパラメータをゲートベースの演算に埋め込む。
本稿では,損失関数に付加される単一正規化項を通じて一元性を維持しつつ,行列要素を直接訓練する手法を提案する。
2段階のプロセスは4分以内でトレーニングされた変分回路を生成するが、直接回路訓練には2時間以上かかる。
論文 参考訳(メタデータ) (2026-04-07T23:30:40Z) - GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。
特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。
OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。
また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
論文 参考訳(メタデータ) (2024-12-30T20:23:10Z) - Efficient Hamiltonian Simulation: A Utility Scale Perspective for Covalent Inhibitor Reactivity Prediction [0.25111276334134786]
ノイズの多い中間スケール量子(NISQ)時代の量子コンピューティングアプリケーションは、今日の量子システムで実現可能なより浅い回路を生成するアルゴリズムを必要とする。
これは、分子系の固有の複雑さのため、量子化学の応用には特に困難である。
本稿では, 量子中心データ駆動R&Dフレームワークを用いた分子反応性予測の精度を維持しつつ, より大きな活性空間へのスケーリングを行うための系統的な回路縮小手法を示す。
論文 参考訳(メタデータ) (2024-12-20T11:25:01Z) - 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) - Automated Generation of Shuttling Sequences for a Linear Segmented Ion
Trap Quantum Computer [26.47874938214435]
閉じ込められたイオン量子コンピュータプラットフォームをスケールアップするための有望なアプローチは、セグメント化されたマイクロチップトラップに複数の閉じ込められたイオン量子ビットセット(「イオン結晶」)を格納することである。
本稿では,シャットリングスケジュールを自動生成するアルゴリズムについて述べる。
固定構造を含む量子回路では、高度な代入アルゴリズムによりシャットリングオーバーヘッドを低減することができる。
論文 参考訳(メタデータ) (2022-08-09T16:16:43Z) - Unimon qubit [42.83899285555746]
超伝導量子ビットは、量子コンピュータを実装する最も有望な候補の1つである。
本稿では,高非線形性,dc電荷雑音に対する完全な感度,フラックス雑音に対する感度,共振器内の1つのジョセフソン接合のみからなる単純な構造を結合した超伝導量子ビット型ユニモンについて紹介し,実演する。
論文 参考訳(メタデータ) (2022-03-11T12:57:43Z)
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。