Προσέγγιση κλίσης πολιτικής για τη συλλογή μεταβλητών κβαντικών κυκλωμάτων Ευφυΐα δεδομένων PlatoBlockchain. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

Προσέγγιση Κλίσης Πολιτικής στη Σύνταξη Μεταβλητών Κβαντικών Κυκλωμάτων

David A. Herrera-Martí

Université Grenoble Alpes, CEA List, 38000 Grenoble, France

Βρείτε αυτό το άρθρο ενδιαφέρουσα ή θέλετε να συζητήσετε; Scite ή αφήστε ένα σχόλιο για το SciRate.

Περίληψη

Προτείνουμε μια μέθοδο για την εύρεση κατά προσέγγιση μεταγλωττίσεων κβαντικών μοναδιαίων μετασχηματισμών, με βάση τεχνικές από την ενίσχυση της μάθησης με κλίση πολιτικής. Η επιλογή μιας στοχαστικής πολιτικής μας επιτρέπει να επαναδιατυπώσουμε το πρόβλημα βελτιστοποίησης με όρους κατανομής πιθανοτήτων, αντί για πύλες μεταβλητών. Σε αυτό το πλαίσιο, η βέλτιστη διαμόρφωση βρίσκεται βελτιστοποιώντας τις παραμέτρους κατανομής και όχι πάνω από ελεύθερες γωνίες. Δείχνουμε αριθμητικά ότι αυτή η προσέγγιση μπορεί να είναι πιο ανταγωνιστική από τις μεθόδους χωρίς κλίση, για συγκρίσιμο όγκο πόρων, τόσο για αθόρυβα όσο και για θορυβώδη κυκλώματα. Ένα άλλο ενδιαφέρον χαρακτηριστικό αυτής της προσέγγισης στη συλλογή παραλλαγών είναι ότι δεν χρειάζεται ξεχωριστό μητρώο και αλληλεπιδράσεις μεγάλης εμβέλειας για την εκτίμηση της πιστότητας τελικού σημείου, κάτι που είναι μια βελτίωση σε σχέση με μεθόδους που βασίζονται στη δοκιμή Hilbert-Schmidt. Αναμένουμε αυτές οι τεχνικές να είναι σχετικές για την εκπαίδευση κυκλωμάτων παραλλαγών σε άλλα πλαίσια.

► Δεδομένα BibTeX

► Αναφορές

[1] Nielsen MA & Chuang I. Quantum Computation and Quantum Information (2002).

[2] Harrow AW, Recht B. & Chuang IL Αποτελεσματικές διακριτές προσεγγίσεις κβαντικών πυλών. 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 Ο αλγόριθμος Solovay-Kitaev. 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] Γραφήματα Lin HW Cayley και γεωμετρία πολυπλοκότητας. 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. Υπερβολική γεωμετρία σύνθετων δικτύων. 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 Ο κβαντικός υπολογισμός ως γεωμετρία. Science, 311(5764), 1133-1135 (2006) https://10.1126/​science.1124295.
https: / / doi.org/ 10.1126 / science.1124295

[7] Preskill J. Quantum computing στην εποχή NISQ και μετά. 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. Η κατά προσέγγιση βελτιστοποίηση κβαντικής είναι υπολογιστικά καθολική. arXiv προεκτύπωση 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. Σχετικά με την καθολικότητα του αλγορίθμου κβαντικής κατά προσέγγιση βελτιστοποίησης. 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. Εκμάθηση ενοτήτων μέσω βελτιστοποίησης gradient descent. 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 Κβαντική υπεροχή μέσω του κβαντικού αλγορίθμου βελτιστοποίησης κατά προσέγγιση. arXiv προεκτύπωση 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 Κβαντική υπεροχή με χρήση προγραμματιζόμενου υπεραγώγιμου επεξεργαστή. 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 μέσω 60-Qubit 24-Cycle Random Circuit Sampling. arXiv προεκτύπωση 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. Κβαντικό πλεονέκτημα με ρηχά κυκλώματα. 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. Κβαντικό πλεονέκτημα με θορυβώδη ρηχά κυκλώματα. 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 Κβαντικοί αλγόριθμοι για την κβαντική χημεία και την επιστήμη των κβαντικών υλικών. 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 Κλιμακόμενη κβαντική προσομοίωση μοριακών ενεργειών. 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 Εφαρμογή μείωσης μέτρησης για τον μεταβλητό κβαντικό ιδιολύτη. 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 Κλασικοί και κβαντικοί αλγόριθμοι προσέγγισης βάθους. arXiv προεκτύπωση 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. Εμπόδια στη μεταβλητή κβαντική βελτιστοποίηση από την προστασία συμμετρίας. 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. Υβριδικοί κβαντικοί-κλασικοί αλγόριθμοι για χρωματισμό γραφημάτων κατά προσέγγιση. 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. Barren οροπέδια σε τοπία εκπαίδευσης κβαντικών νευρωνικών δικτύων. 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 Άγονα οροπέδια εξαρτώμενα από τη συνάρτηση κόστους σε ρηχά κβαντικά νευρωνικά δίκτυα. 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. Μια στρατηγική αρχικοποίησης για την αντιμετώπιση άγονων οροπέδων σε παραμετροποιημένα κβαντικά κυκλώματα. 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 Μεγάλες διαβαθμίσεις μέσω συσχέτισης σε τυχαία παραμετροποιημένα κβαντικά κυκλώματα. 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 neural networks. 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 Quantum-assisted quantum compiling. 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 esilience 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 / ab784γ

[29] Wang S., Fontana E., Cerezo M., Sharma K., Sone A., Cincio L. & Coles PJ Άγονα οροπέδια που προκαλούνται από θόρυβο σε μεταβλητούς κβαντικούς αλγόριθμους. 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 Επίδραση άγονων οροπέδων στη βελτιστοποίηση χωρίς κλίση. 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. Evaluating analytic gradients on quantum hardware. 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 οροπέδια αποκλείουν τη μάθηση scramblers. 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 Ενίσχυση εκμάθησης: Μια εισαγωγή. Τύπος MIT (2018).

[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Βελτιστοποίηση κβαντικών κωδικών διόρθωσης σφαλμάτων με ενισχυτική μάθηση. 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. Ενισχυτική μάθηση με νευρωνικά δίκτυα για κβαντική ανάδραση. 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 Λήψη κλίσεων μέσω πειραμάτων: LSTM και βελτιστοποίηση πολιτικής εγγύς μνήμης για κβαντικό έλεγχο μαύρου κουτιού. 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 for Quantum State Preparation with Weak Nonlinear Measurements. 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 για συνεχή έλεγχο του κβαντικού κατά προσέγγιση αλγόριθμου βελτιστοποίησης μέσω ενισχυτικής μάθησης. arXiv προεκτύπωση 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. Κβαντικός αλγόριθμος βελτιστοποίησης κατά προσέγγιση βάσει κλίσης πολιτικής. In Mathematical and Scientific Machine Learning (σελ. 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. Reinforcement Learning for Many-Body Ground State Preparation based on Counter-Diabatic Driving. 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 μερικώς παρατηρήσιμες διαδικασίες απόφασης Markov. 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. 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. Πιθανοτικά γραφικά μοντέλα: αρχές και τεχνικές. Τύπος MIT (2009).

[46] Williams RJ Απλοί στατιστικοί αλγόριθμοι που ακολουθούν κλίση για μάθηση ενισχυτικής σύνδεσης. Μηχανική μάθηση, 8(3), 229-256 (1992) https://​/​doi.org/​10.1007/​BF00992696.
https: / / doi.org/ 10.1007 / BF00992696

[47] Cirq, ένα πλαίσιο python για τη δημιουργία, την επεξεργασία και την επίκληση θορυβωδών κυκλωμάτων κβαντικής NISQ ενδιάμεσης κλίμακας. https://github.com/​quantumlib/​Cirq.
https: / / github.com/ quantumlib / Cirq

[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Takeing the human out of the loop: A review of Bayesian optimization. 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. Υπολογισμός μοριακών φασμάτων σε κβαντικό επεξεργαστή με αλγόριθμο ανθεκτικό σε σφάλματα. 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 Υπεραγώγιμα κβαντικά κυκλώματα στο κατώφλι του κωδικού επιφάνειας για ανοχή σφαλμάτων. 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 Πιστότητες qubit πυριτίου που πλησιάζουν τα όρια ασυνάρτητου θορύβου μέσω της μηχανικής παλμών. 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 Πιστότητα αναφοράς για πύλες δύο qubit σε πυρίτιο. 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 και Lucas DM Γρήγορες κβαντικές λογικές πύλες με qubits παγιδευμένου ιόντος. 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. Τύπος MIT (2016).

Αναφέρεται από

[1] Esther Ye και Samuel Yen-Chi Chen, «Αναζήτηση κβαντικής αρχιτεκτονικής μέσω συνεχούς μάθησης ενίσχυσης», arXiv: 2112.05779.

Οι παραπάνω αναφορές είναι από SAO / NASA ADS (τελευταία ενημέρωση επιτυχώς 2022-09-12 02:03:07). Η λίστα μπορεί να είναι ελλιπής, καθώς δεν παρέχουν όλοι οι εκδότες τα κατάλληλα και πλήρη στοιχεία αναφοράς.

On Η υπηρεσία παραπομπής του Crossref δεν βρέθηκαν δεδομένα σχετικά με την αναφορά έργων (τελευταία προσπάθεια 2022-09-12 02:03:06).

Σφραγίδα ώρας:

Περισσότερα από Quantum Journal