Policy-Gradient-Ansatz zur Zusammenstellung von Variations-Quantenschaltkreisen

Neuauflage von Plato

Verfolger: 0

David A. Herrera-Martí

Université Grenoble Alpes, CEA-Liste, 38000 Grenoble, Frankreich

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Wir schlagen eine Methode vor, um ungefähre Zusammenstellungen von einheitlichen Quantentransformationen zu finden, basierend auf Techniken des Policy Gradient Reinforcement Learning. Die Wahl einer stochastischen Strategie ermöglicht es uns, das Optimierungsproblem in Form von Wahrscheinlichkeitsverteilungen statt Variationstoren umzuformulieren. In diesem Rahmen wird die optimale Konfiguration eher durch Optimieren über Verteilungsparameter als über freie Winkel gefunden. Wir zeigen numerisch, dass dieser Ansatz wettbewerbsfähiger sein kann als gradientenfreie Methoden, für eine vergleichbare Menge an Ressourcen, sowohl für rauschfreie als auch für verrauschte Schaltungen. Ein weiteres interessantes Merkmal dieses Ansatzes zur Variationskompilierung besteht darin, dass er kein separates Register und keine langreichweitigen Wechselwirkungen benötigt, um die Endpunkttreue abzuschätzen, was eine Verbesserung gegenüber Methoden darstellt, die auf dem Hilbert-Schmidt-Test beruhen. Wir erwarten, dass diese Techniken für das Training von Variationsschaltungen in anderen Kontexten relevant sind.

► BibTeX-Daten

@article{HerreraMarti2022policygradient, doi = {10.22331/q-2022-09-08-797}, url = {https://doi.org/10.22331/q-2022-09-08-797}, title = {Policy {G}strahlender {A}Ansatz zur {C}Zusammenstellung von {V}ariationalen {Q}uantum {C}Schaltkreisen}, Autor = {Herrera-Mart{'{i}}, David A.}, Zeitschrift = {{Quantum}}, issn = {2521-327X}, Publisher = {{Verein zur Förderung des Open Access Publizierens in den Quantenwissenschaften}}, Volumen = {6}, Seiten = {797}, Monat = September, Jahr = {2022} }

► Referenzen

[1] Nielsen MA & Chuang I. Quantencomputation und Quanteninformation (2002).

[2] Harrow AW, Recht B. & Chuang IL Effiziente diskrete Approximationen von Quantengattern. 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 Der Solovay-Kitaev-Algorithmus. 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 Graphen und Komplexitätsgeometrie. 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. Hyperbolische Geometrie komplexer Netzwerke. 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 Quantenberechnung als Geometrie. Science, 311(5764), 1133-1135 (2006) https://10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295

[7] Preskill J. Quantencomputing in der NISQ-Ära und darüber hinaus. 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 approximative Optimierung ist rechnerisch universell. 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. Über die Universalität des quantennahen Optimierungsalgorithmus. 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. Lernen von Unitarien durch Gradientenabstiegsoptimierung. Bulletin der 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 Quantenüberlegenheit durch den quantennahen Optimierungsalgorithmus. 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 Quantenüberlegenheit mit einem programmierbaren supraleitenden Prozessor. 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. Quantenvorteil bei flachen Schaltungen. 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. Quantenvorteil bei lauten flachen Schaltungen. Naturphysik, 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 Quantenalgorithmen für Quantenchemie und Quantenmaterialwissenschaften. 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 Skalierbare Quantensimulation molekularer Energien. 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 Implementierung der Messreduktion für den Variational Quantum Eigensolver. 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 Klassische und quantenbegrenzte Tiefennäherungsalgorithmen. 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. Hindernisse für die Variationsquantenoptimierung durch Symmetrieschutz. 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 quantenklassische Algorithmen zur approximativen Graphfärbung. 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. Unfruchtbare Plateaus in Trainingslandschaften für quantenneuronale Netzwerke. Naturkommunikation, 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 Kostenfunktionsabhängige unfruchtbare Plateaus in flachen quantenneuronalen Netzen. Naturkommunikation, 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. Eine Initialisierungsstrategie zur Adressierung unfruchtbarer Plateaus in parametrisierten Quantenschaltkreisen. 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 Große Gradienten durch Korrelation in zufällig parametrisierten Quantenschaltkreisen. 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. Schichtweises Lernen für quantenneuronale Netze. 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 Quantengestützte Quantenkompilierung. 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 Noise Resilience of Variational Quantum Compiling. 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 Rauschinduzierte unfruchtbare Plateaus in Variationsquantenalgorithmen. Naturkommunikation, 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 Wirkung unfruchtbarer Plateaus auf die gradientenfreie Optimierung. 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. Auswertung analytischer Gradienten auf Quantenhardware. 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 Karge Plateaus verhindern das Lernen von Scramblern. 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 Reinforcement Learning: Eine Einführung. MIT-Presse (2018).

[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Optimierung von Quantenfehlerkorrekturcodes mit Reinforcement Learning. 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. Kommunikationsphysik 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. Reinforcement Learning mit neuronalen Netzen für Quantenfeedback. 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 Gradienten durch Experimente nehmen: LSTMs und speichernahe Richtlinienoptimierung für Black-Box-Quantenkontrolle. 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. Deep Reinforcement Learning für die Quantenzustandsvorbereitung mit schwachen nichtlinearen Messungen. 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. Quantenobservable zur kontinuierlichen Kontrolle des Quanten-Approximations-Optimierungsalgorithmus durch Reinforcement Learning. 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. Policy-Gradienten-basierter Quantennäherungs-Optimierungsalgorithmus. In Mathematical and Scientific Machine Learning (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. und Bukov M. Verstärkungslernen für die Vorbereitung des Grundzustands vieler Körper basierend auf konterdiabatischem Fahren. 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. Variational Quantum Compiling with Double Q-learning. 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 partiell beobachtbare Markov-Entscheidungsprozesse. 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 Variational Inference: A review for statisticians. Zeitschrift der American Statistics 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. Probabilistische grafische Modelle: Prinzipien und Techniken. MIT-Presse (2009).

[46] Williams RJ Einfache statistische Gradientenfolgealgorithmen für konnektionistisches Verstärkungslernen. Maschinelles Lernen, 8(3), 229-256 (1992) https://doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696

[47] Cirq, ein Python-Framework zum Erstellen, Bearbeiten und Aufrufen von verrauschten Quanten-NISQ-Schaltkreisen mittlerer Größe. https://github.com/quantumlib/Cirq.
https: / / github.com/quantumlib / Cirq

[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Den Menschen aus der Schleife nehmen: Eine Überprüfung der Bayes'schen Optimierung. 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. Berechnung von Molekülspektren auf einem Quantenprozessor mit einem fehlerresistenten Algorithmus. 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 Supraleitende Quantenschaltkreise an der Oberflächencodeschwelle für Fehlertoleranz. 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 Silizium-Qubit-Wiedergabetreue, die sich durch Impulstechnik an inkohärente Rauschgrenzen annähert. 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 für Zwei-Qubit-Gates in Silizium. Natur, 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, & Lucas DM Schnelle Quantenlogik-Gatter mit eingefangenen Ionen-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).

Zitiert von

[1] Esther Ye und Samuel Yen-Chi Chen, „Quantum Architecture Search via Continual Reinforcement Learning“, arXiv: 2112.05779.

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2022, 09:12:02 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

On Der von Crossref zitierte Dienst Es wurden keine Daten zum Zitieren von Werken gefunden (letzter Versuch 2022-09-12 02:03:06).

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.