Käytännön gradienttilähestymistapa vaihtelevien kvanttipiirien kokoamiseen

Julkaissut Platon

seuraajia: 0

David A. Herrera-Martí

Université Grenoble Alpes, CEA-luettelo, 38000 Grenoble, Ranska

Onko tämä artikkeli mielenkiintoinen vai haluatko keskustella? Scite tai jätä kommentti SciRate.

Abstrakti

Ehdotamme menetelmää kvanttiyksikkömuunnosten likimääräisten kokoelmien löytämiseksi, joka perustuu politiikan gradienttivahvistusoppimisen tekniikoihin. Stokastisen politiikan valinta mahdollistaa optimointiongelman uudelleenmuotoilun todennäköisyysjakaumien eikä variaatioporttien avulla. Tässä kehyksessä optimaalinen konfiguraatio löydetään optimoimalla jakaumaparametrien yli vapaiden kulmien sijaan. Osoitamme numeerisesti, että tämä lähestymistapa voi olla kilpailukykyisempi kuin gradienttivapaat menetelmät vertailukelpoisella määrällä resursseja sekä äänettömille että meluisille piireille. Toinen tämän lähestymistavan mielenkiintoinen piirre variaatioiden kokoamiseen on, että se ei vaadi erillistä rekisteriä ja pitkän kantaman vuorovaikutuksia päätepisteiden tarkkuuden arvioimiseksi, mikä on parannus verrattuna menetelmiin, jotka perustuvat Hilbert-Schmidt-testiin. Odotamme näiden tekniikoiden olevan merkityksellisiä muunnelmien piirien koulutuksessa muissa yhteyksissä.

► BibTeX-tiedot

@article{HerreraMarti2022policygradient, doi = {10.22331/q-2022-09-08-797}, url = {https://doi.org/10.22331/q-2022-09-08-797}, title = {Policy {G}radient {A}proach to {C}compilation of {V}ariational {Q}uantum {C}ircuits}, kirjoittaja = {Herrera-Mart{'{i}}, David A.}, päiväkirja = {{Kvantti}}, issn = {2521-327X}, julkaisija = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, tilavuus = {6}, sivut = {797}, kuukausi = syyskuu, vuosi = {2022} }

► Viitteet

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

[2] Harrow AW, Recht B. & Chuang IL Kvanttiporttien tehokkaat diskreetit approksimaatiot. 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-algoritmi. 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: kvant-ph / 0505030

[4] Lin HW Cayley kuvaajat ja monimutkaisuusgeometria. 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. Hyperbolic geometry of complex networks. 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 Kvanttilaskenta geometriana. Science, 311 (5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295

[7] Preskill J. Kvanttilaskenta NISQ-aikakaudella ja sen jälkeen. 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. Kvanttilikimääräinen optimointi on laskennallisesti universaalia. 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. Kvanttilikimääräisen optimointialgoritmin universaalisuudesta. 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. Unitarien oppiminen gradientin laskeutumisoptimoinnin kautta. 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 Kvanttiylivalta kvanttilikimääräisen optimointialgoritmin avulla. 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 Quantum supremacy käyttäen ohjelmoitavaa suprajohtavaa prosessoria. 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:n kvanttilaskentaetu 60-kubitin 24-syklisen satunnaispiirinäytteistyksen kautta. 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. Kvanttietu matalilla piireillä. 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. Kvanttietu meluisilla matalilla piireillä. 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 Kvanttialgoritmit kvanttikemiaan ja kvanttimateriaalitieteeseen. 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 Scalable quantum simulation of molecular energies. 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 Mittauksen vähentämisen toteutus variaatiokvanttiominaisratkaisijalle. 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 Klassiset ja kvanttirajoitetut syvyysapproksimaatioalgoritmit. 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. Esteet variaatiokvanttioptimoinnille symmetria-suojauksesta. 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. Hybridi-kvanttiklassiset algoritmit likimääräiseen graafien väritykseen. 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 tasangot kvanttihermoverkkojen koulutusmaisemissa. 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 Kustannusfunktioista riippuvaiset karut tasangot matalissa kvanttihermoverkoissa. 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. Alustusstrategia karujen tasankojen käsittelemiseksi parametroiduissa kvanttipiireissä. 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 Suuret gradientit korrelaation kautta satunnaisissa parametroiduissa kvanttipiireissä. 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 neuro 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 Kvanttiavusteinen kvanttikääntäminen. 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 Noise-induced barren plateaus in variational quantum algoritms. 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 Karujen tasankojen vaikutus gradienttivapaaseen optimointiin. 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 tasangot estävät oppimisen 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 Vahvistusoppiminen: Johdanto. MIT-lehdistö (2018).

[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Kvanttivirheen korjauskoodien optimointi vahvistusoppimisen avulla. 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. Vahvistusoppiminen neuroverkoilla kvanttipalautteen saamiseksi. 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. Gradienttien ottaminen kokeiden kautta: LSTM:t ja muistin proksimaalisen politiikan optimointi mustan laatikon kvanttiohjaukseen. 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 Reforcement 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. Kvanttihavainnot kvanttilikimääräisen optimointialgoritmin jatkuvaan ohjaukseen vahvistusoppimisen avulla. 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. Käytännön gradienttiin perustuva kvanttilikimääräinen optimointialgoritmi. Teoksessa Matemaattinen ja tieteellinen koneoppiminen (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. Vahvistusoppiminen monikehoisen maatilan valmisteluun, joka perustuu diabeteksen vastaiseen ajamiseen. 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 osittain havaittavissa Markovin päätösprosessit. 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 päätelmä: Katsaus tilastotieteilijöille. 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. Todennäköisyyspohjaiset graafiset mallit: periaatteet ja tekniikat. MIT-lehdistö (2009).

[46] Williams RJ Yksinkertaiset tilastolliset gradienttia seuraavat algoritmit konnektionistiseen vahvistusoppimiseen. Koneoppiminen, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696

[47] Cirq, python-kehys meluisten keskikokoisten kvantti-NISQ-piirien luomiseen, muokkaamiseen ja kutsumiseen. https:///github.com/quantumlib/Cirq.
https: / / github.com/ quantumlib / Cirq

[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Ihmisen ottaminen pois silmukasta: katsaus Bayesin optimointiin. Proceedings of 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. Molekyylispektrien laskenta kvanttiprosessorilla virheenkestävällä algoritmilla. 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 Superconducting quantum circuits at the surface code threshold for fault tolerance. 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 -tarkkuudet lähestyvät epäkoherentteja kohinarajoja pulssitekniikan avulla. 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 two-qubit ports in silikon. 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 ja Lucas DM Nopeat kvanttilogiikkaportit, joissa on loukkuun jääneitä ionikubitteja. 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-lehdistö (2016).

Viitattu

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

Yllä olevat sitaatit ovat peräisin SAO: n ja NASA: n mainokset (viimeksi päivitetty onnistuneesti 2022-09-12 02:03:07). Lista voi olla puutteellinen, koska kaikki julkaisijat eivät tarjoa sopivia ja täydellisiä viittaustietoja.

On Crossrefin siteerattu palvelu tietoja teosten viittaamisesta ei löytynyt (viimeinen yritys 2022-09-12 02:03:06).

Tämä kirja on julkaistu Quantum - lehdessä Creative Commons Nimeäminen 4.0 Kansainvälinen (CC BY 4.0) lisenssin. Tekijänoikeudet säilyvät alkuperäisillä tekijänoikeuksien haltijoilla, kuten tekijöillä tai heidän instituutioillaan.