Université Grenoble Alpes, CEA List, 38000 Grenoble, Frankrig
Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.
Abstrakt
Vi foreslår en metode til at finde omtrentlige kompileringer af kvanteenhedstransformationer, baseret på teknikker fra policy gradient forstærkningslæring. Valget af en stokastisk politik giver os mulighed for at omformulere optimeringsproblemet i form af sandsynlighedsfordelinger, snarere end variationsporte. I denne ramme findes den optimale konfiguration ved at optimere over distributionsparametre i stedet for over frie vinkler. Vi viser numerisk, at denne tilgang kan være mere konkurrencedygtig end gradientfrie metoder, for en sammenlignelig mængde ressourcer, både for støjfrie og støjende kredsløb. Et andet interessant træk ved denne tilgang til variationskompilering er, at den ikke behøver et separat register og langdistanceinteraktioner for at estimere endepunkts-fideliteten, hvilket er en forbedring i forhold til metoder, der er afhængige af Hilbert-Schmidt-testen. Vi forventer, at disse teknikker er relevante til træning af variationskredsløb i andre sammenhænge.
► BibTeX-data
► Referencer
[1] Nielsen MA & Chuang I. Kvanteberegning og kvanteinformation (2002).
[2] Harrow AW, Recht B. & Chuang IL Effektive diskrete tilnærmelser af kvanteporte. Journal of Mathematical Physics, 43(9), 4445-4451 (2002) https://doi.org/10.1063/1.1495899.
https:///doi.org/10.1063/1.1495899
[3] Dawson CM & Nielsen MA Solovay-Kitaev-algoritmen. arXiv preprint quant-ph/0505030 (2005) https:///doi.org/10.48550/arXiv.quant-ph/0505030.
https:///doi.org/10.48550/arXiv.quant-ph/0505030
arXiv:quant-ph/0505030
[4] Lin HW Cayley grafer og kompleksitetsgeometri. Journal of High Energy Physics, 2019(2), 1-15 (2019) https:///doi.org/10.1007/JHEP02%282019%29063.
https://doi.org/10.1007/JHEP02%282019%29063
[5] Krioukov D., Papadopoulos F., Kitsak M., Vahdat A. & Boguná M. Hyperbolsk geometri af komplekse netværk. Physical Review E, 82(3), 036106 (2010) https:///doi.org/10.1103/PhysRevE.82.036106.
https:///doi.org/10.1103/PhysRevE.82.036106
[6] Nielsen MA, Dowling MR, Gu M. & Doherty AC Kvanteberegning som geometri. Science, 311(5764), 1133-1135 (2006) https://10.1126/science.1124295.
https://doi.org/10.1126/science.1124295
[7] Preskill J. Quantum computing i NISQ-æraen og senere. Quantum, 2, 79 (2018) https:///doi.org/10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79
[8] Lloyd S. Quantum omtrentlig optimering er beregningsmæssigt universel. arXiv preprint arXiv:1812.11075 (2018) https:///doi.org/10.48550/arXiv.1812.11075.
https:///doi.org/10.48550/arXiv.1812.11075
arXiv: 1812.11075
[9] Morales ME, Biamonte JD & Zimborás Z. Om universaliteten af den kvantetilnærmede optimeringsalgoritme. Quantum Information Processing, 19(9), 1-26 (2020) https:///doi.org/10.1007/s11128-020-02748-9.
https://doi.org/10.1007/s11128-020-02748-9
[10] Kiani B., Maity R. & Lloyd S. At lære unitarer via gradient-nedstigningsoptimering. Bulletin of the American Physical Society, 65 (2020) https://doi.org/10.48550/arXiv.2001.11897.
https:///doi.org/10.48550/arXiv.2001.11897
[11] Farhi E. & Harrow AW Kvanteoverlegenhed gennem den omtrentlige kvanteoptimeringsalgoritme. arXiv preprint arXiv:1602.07674 (2016) https:///doi.org/10.48550/arXiv.1602.07674.
https:///doi.org/10.48550/arXiv.1602.07674
arXiv: 1602.07674
[12] Arute F., Arya K., Babbush R., Bacon D., Bardin JC, Barends R., … & Martinis JM Kvanteoverlegenhed ved hjælp af en programmerbar superledende processor. Nature, 574(7779), 505-510 (2019) https://doi.org/10.1038/s41586-019-1666-5.
https://doi.org/10.1038/s41586-019-1666-5
[13] Zhu Q., Cao S., Chen F., Chen MC, Chen X., Chung TH, … & Pan JW Quantum Computational Advantage via 60-Qubit 24-Cycle Random Circuit Sampling. arXiv preprint arXiv:2109.03494 (2021) https:///doi.org/10.48550/arXiv.2109.03494.
https:///doi.org/10.48550/arXiv.2109.03494
arXiv: 2109.03494
[14] Bravyi S., Gosset D., & König R. Kvantefordel med lavvandede kredsløb. Science, 362(6412), 308-311 (2018) https://doi.org/10.1126/science.aar3106.
https://doi.org/10.1126/science.aar3106
[15] Bravyi S., Gosset D., Koenig R. & Tomamichel, M. Kvantefordel med støjende lavvandede kredsløb. Nature Physics, 16(10), 1040-1045 (2020) https://doi.org/10.1038/s41567-020-0948-z.
https:///doi.org/10.1038/s41567-020-0948-z
[16] Bauer B., Bravyi S., Motta M. & Chan GKL Kvantealgoritmer til kvantekemi og kvantematerialevidenskab. Chemical Reviews, 120(22), 12685-12717 (2020) https://doi.org/10.1021/acs.chemrev.9b00829.
https:///doi.org/10.1021/acs.chemrev.9b00829
[17] O'Malley PJ, Babbush R., Kivlichan ID, Romero J., McClean JR, Barends R., … & Martinis JM Skalerbar kvantesimulering af molekylære energier. Physical Review X, 6(3), 031007 (2016) https:///doi.org/10.1103/PhysRevX.6.031007.
https:///doi.org/10.1103/PhysRevX.6.031007
[18] Ralli A., Love PJ, Tranter A., & Coveney PV Implementering af målereduktion for den variationelle kvanteegenopløser. Physical Review Research, 3(3), 033195 (2021) https:///doi.org/10.1103/PhysRevResearch.3.033195.
https:///doi.org/10.1103/PhysRevResearch.3.033195
[19] Hastings MB Klassiske og kvantegrænsede dybdetilnærmelsesalgoritmer. arXiv preprint arXiv:1905.07047 (2019) https:///doi.org/10.48550/arXiv.1905.07047.
https:///doi.org/10.48550/arXiv.1905.07047
arXiv: 1905.07047
[20] Bravyi S., Kliesch A., Koenig R, & Tang E. Forhindringer for variationsmæssig kvanteoptimering fra symmetribeskyttelse. Physical Review Letters, 125(26), 260505 (2020) https:///doi.org/10.1103/PhysRevLett.125.260505.
https:///doi.org/10.1103/PhysRevLett.125.260505
[21] Bravyi S., Kliesch A., Koenig R. & Tang E. Hybride kvante-klassiske algoritmer til omtrentlig graffarvning. Quantum 6, 678 (2022). https:///doi.org/10.22331/q-2022-03-30-678.
https://doi.org/10.22331/q-2022-03-30-678
[22] McClean JR, Boixo S., Smelyanskiy VN, Babbush R. & Neven, H. Ufrugtbare plateauer i quantum neurale netværk træningslandskaber. Nature communications, 9(1) (2018) https://doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4
[23] Cerezo M., Sone A., Volkoff T., Cincio L. & Coles PJ Omkostningsfunktionsafhængige golde plateauer i lavvandede kvanteneurale netværk. Nature communications, 12(1) (2021) https:///doi.org/10.1038/s41467-021-21728-w.
https:///doi.org/10.1038/s41467-021-21728-w
[24] Grant E., Wossnig L., Ostaszewski M. & Benedetti, M. En initialiseringsstrategi til adressering af golde plateauer i parametriserede kvantekredsløb. Quantum, 3, 214 (2019) https:///doi.org/10.22331/q-2019-12-09-214.
https://doi.org/10.22331/q-2019-12-09-214
[25] Volkoff T. & Coles PJ Store gradienter via korrelation i tilfældigt parametriserede kvantekredsløb. Quantum Science and Technology, 6(2), 025008 (2021) https:///doi.org/10.1088/2058-9565/abd891.
https://doi.org/10.1088/2058-9565/abd891
[26] Skolik A., McClean JR, Mohseni M., van der Smagt P. & Leib, M. Layerwise learning for quantum neurale netværk. Quantum Machine Intelligence, 3(1), (2021) https:///doi.org/10.1007/s42484-020-00036-4.
https://doi.org/10.1007/s42484-020-00036-4
[27] Khatri S., LaRose R., Poremba A., Cincio L., Sornborger AT, & Coles, PJ Kvante-assisteret kvantekompilering. Quantum, 3, 140 (2019) https:///doi.org/10.22331/q-2019-05-13-140.
https://doi.org/10.22331/q-2019-05-13-140
[28] Sharma K., Khatri S., Cerezo M. & Coles PJ Støjmodstandsdygtighed af variationel kvantekompilering. New Journal of Physics, 22(4), 043006 (2020) https:///doi.org/10.1088/1367-2630/ab784c.
https:///doi.org/10.1088/1367-2630/ab784c
[29] Wang S., Fontana E., Cerezo M., Sharma K., Sone A., Cincio L. & Coles PJ Støj-inducerede golde plateauer i variationskvantealgoritmer. Nature communications, 12(1) (2021) https:///doi.org/10.1038/s41467-021-27045-6.
https://doi.org/10.1038/s41467-021-27045-6
[30] Arrasmith A., Cerezo M., Czarnik P., Cincio L. & Coles PJ Effekt af golde plateauer på gradientfri optimering. Quantum, 5, 558 (2021) https:///doi.org/10.22331/q-2021-10-05-558.
https://doi.org/10.22331/q-2021-10-05-558
[31] Schuld M., Bergholm V., Gogolin C., Izaac J. & Killoran, N. Evaluering af analytiske gradienter på kvantehardware. Physical Review A, 99(3) (2019) https:///doi.org/10.1103/PhysRevA.99.032331.
https:///doi.org/10.1103/PhysRevA.99.032331
[32] Holmes Z., Arrasmith A., Yan B., Coles PJ, Albrecht A. & Sornborger AT Barren plateauer udelukker indlæringsscramblere. Physical Review Letters, 126(19), 190501 (2021) https://doi.org/10.1103/PhysRevLett.126.190501.
https:///doi.org/10.1103/PhysRevLett.126.190501
[33] Sutton RS & Barto AG Forstærkningslæring: En introduktion. MIT presse (2018).
[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Optimering af kvantefejlkorrektionskoder med forstærkningslæring. Quantum, 3, 215 (2019) https:///doi.org/10.22331/q-2019-12-16-215.
https://doi.org/10.22331/q-2019-12-16-215
[35] Moro, L., Paris, MG, Restelli, M., & Prati, E. Quantum Compiling by Deep Reinforcement Learning. Communications Physics 4 (2021) https:///doi.org/10.1038/s42005-021-00684-3.
https://doi.org/10.1038/s42005-021-00684-3
[36] Fösel T., Tighineanu P., Weiss T. & Marquardt F. Forstærkningslæring med neurale netværk til kvantefeedback. Physical Review X, 8(3), 031084 (2018) https:///doi.org/10.1103/PhysRevX.8.031084.
https:///doi.org/10.1103/PhysRevX.8.031084
[37] August M. & Hernández-Lobato, JM At tage gradienter gennem eksperimenter: LSTM'er og hukommelses proksimal politikoptimering til sort-boks kvantekontrol. International Conference on High Performance Computing, Springer (2018) https:///doi.org/10.1007/978-3-030-02465-9_43.
https://doi.org/10.1007/978-3-030-02465-9_43
[38] Porotti R., Essig A., Huard B. & Marquardt F. Dyb forstærkningslæring til kvantetilstandsforberedelse med svage ikke-lineære målinger. Quantum 6, 747 (2022) https:///doi.org/10.22331/q-2022-06-28-747.
https://doi.org/10.22331/q-2022-06-28-747
[39] Garcia-Saez A. & Riu J. Quantum observables til kontinuerlig kontrol af den kvantetilnærmede optimeringsalgoritme via forstærkningslæring. arXiv preprint arXiv:1911.09682 (2019) https:///doi.org/10.48550/arXiv.1911.09682.
https:///doi.org/10.48550/arXiv.1911.09682
arXiv: 1911.09682
[40] Yao J., Bukov M. & Lin, L. Politikgradientbaseret kvantetilnærmet optimeringsalgoritme. I matematisk og videnskabelig maskinlæring (s. 605-634). PMLR (2020) https://doi.org/10.48550/arXiv.2002.01068.
https:///doi.org/10.48550/arXiv.2002.01068
[41] Yao J., Lin L., & Bukov M. Forstærkningslæring til forberedelse af mange kroppe i grundtilstand baseret på moddiabatisk kørsel. Physical Review X, 11(3), 031070 (2021) https:///doi.org/10.1103/PhysRevX.11.031070.
https:///doi.org/10.1103/PhysRevX.11.031070
[42] He Z., Li L., Zheng S., Li Y. & Situ H. Variationel kvantekompilering med dobbelt Q-læring. New Journal of Physics, 23(3), 033002 (2021) https:///doi.org/10.1088/1367-2630/abe0ae.
https://doi.org/10.1088/1367-2630/abe0ae
[43] Barry, J., Barry, DT, & Aaronson, S. Quantum delvist observerbare Markov-beslutningsprocesser. Physical Review A, 90(3), 032311 (2014) https:///doi.org/10.1103/PhysRevA.90.032311.
https:///doi.org/10.1103/PhysRevA.90.032311
[44] Blei DM, Kucukelbir A. & McAuliffe JD Variationel inferens: En gennemgang for statistikere. Journal of the American Statistical Association, 112(518), 859-877 (2017) https://doi.org/10.1080/01621459.2017.1285773.
https:///doi.org/10.1080/01621459.2017.1285773
[45] Koller D. & Friedman N. Probabilistiske grafiske modeller: principper og teknikker. MIT presse (2009).
[46] Williams RJ Simple statistiske gradientfølgende algoritmer til konnektionistisk forstærkningslæring. Machine learning, 8(3), 229-256 (1992) https://doi.org/10.1007/BF00992696.
https:///doi.org/10.1007/BF00992696
[47] Cirq, en python-ramme til at skabe, redigere og påkalde støjende kvante-NISQ-kredsløb i mellemskala. https:///github.com/quantumlib/Cirq.
https:///github.com/quantumlib/Cirq
[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. At tage mennesket ud af løkken: En gennemgang af Bayesiansk optimering. Proceedings of the IEEE, 104(1), 148-175 (2015) https:///doi.org/10.1109/JPROC.2015.2494218.
https:///doi.org/10.1109/JPROC.2015.2494218
[49] Colless JI, Ramasesh VV, Dahlen D., Blok MS, Kimchi-Schwartz ME, McClean, JR, … & Siddiqi I. Beregning af molekylære spektre på en kvanteprocessor med en fejlmodstandsdygtig algoritme. Physical Review X, 8(1), 011021 (2018) https:///doi.org/10.1103/PhysRevX.8.011021.
https:///doi.org/10.1103/PhysRevX.8.011021
[50] Barends R., Kelly J., Megrant A., Veitia A., Sank D., Jeffrey E., … & Martinis JM Superledende kvantekredsløb ved overfladekodetærsklen for fejltolerance. Nature, 508(7497), 500-503 (2014) https://doi.org/10.1038/nature13171.
https:///doi.org/10.1038/nature13171
[51] Yang CH, Chan KW, Harper R., Huang W., Evans T., Hwang JCC, … & Dzurak AS Silicon qubit fidelities nærmer sig usammenhængende støjgrænser via pulsteknik. Nature Electronics, 2(4), 151-158 (2019) https:///doi.org/10.1038/s41928-019-0234-1.
https://doi.org/10.1038/s41928-019-0234-1
[52] Huang W., Yang CH, Chan KW, Tanttu T., Hensen B., Leon RCC, … & Dzurak AS Fidelity-benchmarks for to-qubit-porte i silicium. Nature, 569(7757), 532-536 (2019) https://doi.org/10.1038/s41586-019-1197-0.
https://doi.org/10.1038/s41586-019-1197-0
[53] Schäfer VM, Ballance CJ, Thirumalai K., Stephenson LJ, Ballance TG, Steane AM og Lucas DM Hurtige kvantelogiske porte med fangede ion-qubits. Nature, 555(7694), 75-78 (2018) https:///doi.org/10.1038/nature25737.
https:///doi.org/10.1038/nature25737
[54] Goodfellow I., Bengio Y. & Courville, A. Deep Learning. MIT presse (2016).
Citeret af
[1] Esther Ye og Samuel Yen-Chi Chen, "Quantum Architecture Search via Continual Reinforcement Learning", arXiv: 2112.05779.
Ovenstående citater er fra SAO/NASA ADS (sidst opdateret 2022-09-12 02:03:07). Listen kan være ufuldstændig, da ikke alle udgivere leverer passende og fuldstændige citatdata.
On Crossrefs citeret af tjeneste ingen data om at citere værker blev fundet (sidste forsøg 2022-09-12 02:03:06).
Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.
