Université Grenoble Alpes، فهرست CEA، 38000 گرنوبل، فرانسه
این مقاله را جالب می دانید یا می خواهید بحث کنید؟ SciRate را ذکر کنید یا در SciRate نظر بدهید.
چکیده
ما روشی را برای یافتن تلفیقی تقریبی از تبدیل‌های واحد کوانتومی، بر اساس تکنیک‌های یادگیری تقویت گرادیان خط‌مشی پیشنهاد می‌کنیم. انتخاب یک خط مشی تصادفی به ما این امکان را می دهد که مسئله بهینه سازی را بر حسب توزیع های احتمالی به جای گیت های متغیر بازنویسی کنیم. در این چارچوب، پیکربندی بهینه با بهینه‌سازی پارامترهای توزیع بیش از زوایای آزاد یافت می‌شود. ما به صورت عددی نشان می‌دهیم که این رویکرد می‌تواند رقابتی‌تر از روش‌های بدون گرادیان، برای مقدار قابل مقایسه ای از منابع، هم برای مدارهای بدون نویز و هم برای مدارهای نویزدار باشد. یکی دیگر از ویژگی‌های جالب این رویکرد برای کامپایل متغیر این است که برای تخمین وفاداری نقطه پایانی نیازی به ثبت جداگانه و تعاملات طولانی مدت ندارد، که نسبت به روش‌هایی که بر آزمون هیلبرت اشمیت تکیه می‌کنند، پیشرفت کرده است. ما انتظار داریم که این تکنیک ها برای آموزش مدارهای متغیر در زمینه های دیگر مرتبط باشند.
► داده های BibTeX
◄ مراجع
[1] Nielsen MA & Chuang I. محاسبات کوانتومی و اطلاعات کوانتومی (2002).
[2] هارو AW، Recht B. و Chuang IL تقریب های گسسته کارآمد دروازه های کوانتومی. مجله فیزیک ریاضی، 43 (9)، 4445-4451 (2002) https://doi.org/10.1063/1.1495899.
https://doi.org/10.1063/1.1495899
[3] داوسون سی ام و نیلسن MA الگوریتم 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] نمودارهای Lin HW Cayley و هندسه پیچیدگی. مجله فیزیک انرژی بالا، 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. هندسه هایپربولیک شبکه های پیچیده. بررسی فیزیکی 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. و Doherty AC محاسبات کوانتومی به عنوان هندسه. Science, 311(5764), 1133-1135 (2006) https://10.1126/science.1124295.
https://doi.org/10.1126/science.1124295
[7] Preskill J. محاسبات کوانتومی در عصر NISQ و فراتر از آن. 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. بهینه سازی تقریبی کوانتومی از نظر محاسباتی جهانی است. پیش چاپ arXiv 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 و Zimborás Z. در مورد جهانی بودن الگوریتم بهینه‌سازی تقریبی کوانتومی. پردازش اطلاعات کوانتومی، 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. یادگیری واحدها از طریق بهینه سازی نزول گرادیان. بولتن انجمن فیزیک آمریکا، 65 (2020) https://doi.org/10.48550/arXiv.2001.11897.
https://doi.org/10.48550/arXiv.2001.11897
[11] Farhi E. & Harrow AW برتری کوانتومی از طریق الگوریتم بهینه‌سازی تقریبی کوانتومی. 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.، … و مارتینیس JM برتری کوانتومی با استفاده از یک پردازنده ابررسانای قابل برنامه ریزی. طبیعت، 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، … و Pan JW کوانتومی مزیت محاسباتی از طریق نمونه‌برداری مدار تصادفی 60 سیکلی 24 کیوبیتی. 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. مزیت کوانتومی با مدارهای کم عمق. 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. مزیت کوانتومی با مدارهای کم عمق پر سر و صدا. فیزیک طبیعت، 16(10)، 1040-1045 (2020) https://doi.org/10.1038/s41567-020-0948-z.
https://doi.org/10.1038/s41567-020-0948-z
[16] الگوریتم‌های کوانتومی بائر بی، براویی اس، موتا ام و چان GKL برای شیمی کوانتومی و علم مواد کوانتومی. بررسی‌های شیمیایی، 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.، … و Martinis JM شبیه سازی کوانتومی مقیاس پذیر انرژی های مولکولی. بررسی فیزیکی 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 پیاده سازی کاهش اندازه گیری برای حل ویژه کوانتومی متغیر. تحقیقات مرور فیزیکی، 3(3)، 033195 (2021) https://doi.org/10.1103/PhysRevResearch.3.033195.
https://doi.org/10.1103/PhysRevResearch.3.033195
[19] Hastings MB الگوریتم های تقریب عمق کلاسیک و محدود کوانتومی. پیش چاپ arXiv 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. موانع بهینه سازی کوانتومی متغیر از حفاظت از تقارن. 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. الگوریتم های ترکیبی کوانتومی-کلاسیک برای رنگ آمیزی نمودار تقریبی. 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 plaaes در مناظر آموزشی شبکه عصبی کوانتومی. ارتباطات طبیعت، 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 فلات های بایر وابسته به تابع هزینه در شبکه های عصبی کوانتومی کم عمق. ارتباطات طبیعت، 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. یک استراتژی مقداردهی اولیه برای پرداختن به فلات های بی حاصل در مدارهای کوانتومی پارامتری شده. 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 گرادیان های بزرگ از طریق همبستگی در مدارهای کوانتومی پارامتری تصادفی. علوم و فناوری کوانتومی، 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 برای شبکه های عصبی کوانتومی. هوش ماشین کوانتومی، 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، کامپایل کوانتومی با کمک کوانتومی PJ. 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 تاب آوری نویز کامپایل کوانتومی متغیر. مجله جدید فیزیک، 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. و Coles PJ فلات های بی حاصل ناشی از نویز در الگوریتم های کوانتومی متغیر. ارتباطات طبیعت، 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 اثر فلات های بایر بر بهینه سازی بدون گرادیان. 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 gradients analytic on hardware quantum. بررسی فیزیکی A، 99(3) (2019) https://doi.org/10.1103/PhysRevA.99.032331.
https://doi.org/10.1103/PhysRevA.99.032331
[32] هلمز زی، آراسمیت آ.، یان بی.، کولز پی جی، آلبرشت ا. 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: مقدمه. مطبوعات MIT (2018).
[34] Nautrup HP، Delfosse N.، Dunjko V.، Briegel HJ و Friis N. بهینه سازی کدهای تصحیح خطای کوانتومی با یادگیری تقویتی. 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. Compiling Quantum by Deep Reinforcement Learning. فیزیک ارتباطات 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. یادگیری تقویتی با شبکه های عصبی برای بازخورد کوانتومی. بررسی فیزیکی X، 8(3)، 031084 (2018) https://doi.org/10.1103/PhysRevX.8.031084.
https://doi.org/10.1103/PhysRevX.8.031084
[37] آگوست ام و هرناندز-لوباتو، JM گرفتن گرادیان ها از طریق آزمایش: LSTMs و بهینه سازی سیاست پروگزیمال حافظه برای کنترل کوانتومی جعبه سیاه. کنفرانس بین‌المللی محاسبات با عملکرد بالا، 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. یادگیری تقویتی عمیق برای آماده سازی حالت کوانتومی با اندازه گیری های غیرخطی ضعیف. 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] گارسیا سائز A. & Riu J. قابل مشاهده کوانتومی برای کنترل مداوم الگوریتم بهینه سازی تقریبی کوانتومی از طریق یادگیری تقویتی. 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] الگوریتم بهینه سازی تقریبی کوانتومی مبتنی بر گرادیان خط مشی یائو جی.، بوکوف ام. و لین، ال. در یادگیری ماشینی ریاضی و علمی (صص 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. بررسی فیزیکی 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. و Situ H. کامپایل کوانتومی متغیر با یادگیری Q مضاعف. مجله جدید فیزیک، 23 (3)، 033002 (2021) https://doi.org/10.1088/1367-2630/abe0ae.
https://doi.org/10.1088/1367-2630/abe0ae
[43] باری، جی.، بری، DT، و آرونسون، S. کوانتومی تا حدی قابل مشاهده فرآیندهای تصمیم مارکوف. بررسی فیزیکی 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 استنتاج متغیر: مروری برای آماردانان. مجله انجمن آماری آمریکا، 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. مدل‌های گرافیکی احتمالی: اصول و تکنیک‌ها. مطبوعات MIT (2009).
[46] ویلیامز RJ الگوریتم های ساده آماری مبتنی بر گرادیان برای یادگیری تقویتی پیوندگرا. یادگیری ماشینی، 8 (3)، 229-256 (1992) https://doi.org/10.1007/BF00992696.
https://doi.org/10.1007/BF00992696
[47] Cirq، یک چارچوب پایتون برای ایجاد، ویرایش و فراخوانی مدارهای کوانتومی NISQ در مقیاس متوسط پر سر و صدا. https://github.com/quantumlib/Cirq.
https://github.com/quantumlib/Cirq
[48] شهریاری ب.، سورسکی ک.، وانگ زی، آدامز RP و د فریتاس ن. بیرون بردن انسان از حلقه: بررسی بهینه‌سازی بیزی. مجموعه مقالات 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، … و Siddiqi I. محاسبه طیف های مولکولی روی یک پردازنده کوانتومی با الگوریتم مقاوم در برابر خطا. 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.، … و Martinis JM مدارهای کوانتومی ابررسانا در آستانه کد سطحی برای تحمل خطا. طبیعت، 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، … و Dzurak AS سیلیکون کیوبیت وفاداری به محدودیت های نویز نامنسجم از طریق مهندسی پالس نزدیک می شود. 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، … و Dzurak AS معیارهای Fidelity برای دروازه های دو کیوبیتی در سیلیکون. طبیعت، 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 و Lucas DM گیت‌های منطقی کوانتومی سریع با کیوبیت‌های یون به دام افتاده. طبیعت، 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. مطبوعات MIT (2016).
ذکر شده توسط
[1] استر یه و ساموئل ین چی چن، "جستجوی معماری کوانتومی از طریق یادگیری تقویتی مداوم"، arXiv: 2112.05779.
نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2022-09-12 02:03:07). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.
On سرویس استناد شده توسط Crossref هیچ داده ای در مورد استناد به آثار یافت نشد (آخرین تلاش 2022-09-12 02:03:06).
این مقاله در Quantum تحت عنوان منتشر شده است Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز. حق چاپ نزد دارندگان حق چاپ اصلی مانند نویسندگان یا مؤسسات آنها باقی می ماند.
