論文の概要: Programming Quantum Circuit Parameters with Large Language Models
- arxiv url: http://arxiv.org/abs/2611.17246v1
- Date: Thu, 12 Nov 2026 18:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.588207
- Title: Programming Quantum Circuit Parameters with Large Language Models
- Title(参考訳): 大規模言語モデルを用いた量子回路パラメータのプログラミング
- Abstract要約: 大規模言語モデル(LLM)は、最近、従来の最適化なしに変動量子回路のパラメータを生成できることを実証した。
本稿では,シンボル回路とハミルトン記述から完全回路パラメータベクトルを生成する,凍結型汎用LCMについて検討する。
生成した回路パラメータは物理的に実現可能なエネルギー予測値の独立評価を可能にしているのに対し、最小エネルギーの直接LLM予測はハミルトンスペクトルの低境界に反する可能性があることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have recently demonstrated the ability to generate parameters for variational quantum circuits without conventional optimization. However, the conditions under which this approach is effective remain unclear. Here, we investigate a frozen, general-purpose LLM that generates complete circuit parameter vectors from symbolic circuit and Hamiltonian descriptions, with optional iterative energy feedback. We evaluate the approach on general random Hamiltonians, structured parent Hamiltonians, and molecular systems. For general Hamiltonians, LLM-generated parameters exhibit larger energy errors than conventional Adam optimization, while additional feedback generally provides limited improvement. In contrast, for structured Hamiltonians, the LLM can generate promising low-energy parameter configurations, suggesting that identifiable physical and mathematical structure facilitates parameter inference. We also show that direct LLM predictions of minimum energies can violate the Hamiltonian spectral lower bound, whereas generated circuit parameters allow independent evaluation of physically realizable energy expectation values. Finally, we investigate blind circuit interpretation and find that the LLM can predict measurement outcomes even when it fails to identify the underlying quantum algorithm. These findings highlight the role of problem structure, the limitations of iterative LLM optimization, and the importance of independently verifiable predictions in quantum parameter programming.
- Abstract(参考訳): 大規模言語モデル(LLM)は、最近、従来の最適化なしに変動量子回路のパラメータを生成できることを実証した。
しかし、この手法が有効な条件はいまだ不明である。
本稿では,記号回路とハミルトン記述から完全回路パラメータベクトルを生成する凍結型汎用LCMについて,任意の反復エネルギーフィードバックを用いて検討する。
我々は、一般ランダムハミルトニアン、構造化親ハミルトニアン、分子システムに対するアプローチを評価する。
一般のハミルトン派では、LLM生成パラメータは従来のアダム最適化よりも大きなエネルギー誤差を示し、追加のフィードバックは一般に限定的な改善をもたらす。
対照的に、構造化ハミルトニアンの場合、LLMは有望な低エネルギーパラメータ構成を生成することができ、同定可能な物理的および数学的構造がパラメータ推論を促進することを示唆している。
また、最小エネルギーの直接LLM予測はハミルトンスペクトルの低境界に反しうるが、生成した回路パラメータは物理的に実現可能なエネルギー期待値の独立評価を可能にする。
最後に, ブラインド回路の解釈を調査し, 基礎となる量子アルゴリズムの同定に失敗しても, LLMが測定結果を予測できることを見出した。
これらの知見は、量子パラメータプログラミングにおける問題構造の役割、反復LLM最適化の限界、独立に検証可能な予測の重要性を浮き彫りにしている。
関連論文リスト
- Fourier Analysis of Parametrized Interactive Quantum Classifiers [43.17440117351615]
Interactive Quantums (IQCs) は、オープン量子システムにインスパイアされた量子機械学習モデルのファミリーである。
以前の研究は代替のハミルトンパラメータ化を導入し、それらが分類を改善することを実証的に示した。
本研究では,パラメタライズドIQCにより生成された減量量子チャネルに対する閉形式式を導出する。
論文 参考訳(メタデータ) (2026-09-16T01:23:01Z) - Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。
非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。
我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
論文 参考訳(メタデータ) (2025-11-24T16:36:06Z) - Pattern or Not? QAOA Parameter Heuristics and Potentials of Parsimony [3.230880354632914]
量子近似最適化アルゴリズム(QAOA)のような構造的変動量子アルゴリズムは、短期量子ハードウェアの利点を利用するための主要な候補として浮上している。
大規模数値シミュレーションにより,QAOA性能における古典的パラメータの役割を体系的に検討した。
その結果, (i) 最適パラメータは, 期待されるパターンから大きく逸脱することが多く, (ii) QAOA性能は, 深さが大きくなるにつれて, パラメータ選択に対して徐々に敏感になる。
論文 参考訳(メタデータ) (2025-10-09T12:35:30Z) - Agent-Q: Fine-Tuning Large Language Models for Quantum Circuit Generation and Optimization [5.2374261493530065]
大規模言語モデル (LLMs) は、数学、コーディング、科学報告の分析を含む複雑な問題において顕著な成果を上げている。
本稿では,量子回路の生成と最適化を行うLLMファインチューニングシステムであるAgent-Qについて述べる。
論文 参考訳(メタデータ) (2025-04-15T11:56:54Z) - Learning interactions between Rydberg atoms [4.17037025217542]
グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。
我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
論文 参考訳(メタデータ) (2024-12-16T17:45:30Z) - Stochastic approach for quantum metrology with generic Hamiltonians [0.0]
我々は、量子回路に基づく量子力学の研究手法を、ジェネリック・ハミルトンで導入する。
進化量子状態の微分に対する時間依存パラメータシフト則を提案する。
磁場推定では,パラメータシフト則から得られた結果と正確な結果との整合性を示す。
論文 参考訳(メタデータ) (2022-04-03T11:46:06Z) - Numerical Simulations of Noisy Quantum Circuits for Computational
Chemistry [51.827942608832025]
短期量子コンピュータは、小さな分子の基底状態特性を計算することができる。
計算アンサッツの構造と装置ノイズによる誤差が計算にどのように影響するかを示す。
論文 参考訳(メタデータ) (2021-12-31T16:33:10Z) - Variational Adiabatic Gauge Transformation on real quantum hardware for
effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
変分アダバティックゲージ変換(VAGT)を導入する。
VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。
VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
論文 参考訳(メタデータ) (2021-11-16T20:50:08Z) - FLIP: A flexible initializer for arbitrarily-sized parametrized quantum
circuits [105.54048699217668]
任意サイズのパラメタライズド量子回路のためのFLexible Initializerを提案する。
FLIPは任意の種類のPQCに適用することができ、初期パラメータの一般的なセットに頼る代わりに、成功したパラメータの構造を学ぶように調整されている。
本稿では, 3つのシナリオにおいてFLIPを用いることの利点を述べる。不毛な高原における問題ファミリ, 最大カット問題インスタンスを解くPQCトレーニング, 1次元フェルミ-ハッバードモデルの基底状態エネルギーを求めるPQCトレーニングである。
論文 参考訳(メタデータ) (2021-03-15T17:38:33Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z)
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。