Rapports d'amplitude et états quantiques du réseau de neurones

Rapports d'amplitude et états quantiques du réseau de neurones

Horodatage: 2 mars 2023 12h12
Rapports d'amplitude et états quantiques des réseaux neuronaux PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

Vojtech Havlicek

IBM Quantum, Centre de recherche IBM TJ Watson

Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.

Abstract

Les états quantiques de réseau de neurones (NQS) représentent des fonctions d'onde quantiques par des réseaux de neurones artificiels. Ici, nous étudions l'accès à la fonction d'onde fourni par NQS défini dans [Science, 355, 6325, pp. 602-606 (2017)] et le relions aux résultats des tests de distribution. Cela conduit à des algorithmes de test de distribution améliorés pour un tel NQS. Cela motive également une définition indépendante d'un modèle d'accès à la fonction d'onde : l'accès au rapport d'amplitude. Nous le comparons aux modèles d'accès à l'échantillon et à l'échantillon et à la requête, précédemment considérés dans l'étude de la déquantification des algorithmes quantiques. Tout d'abord, nous montrons que l'accès au rapport d'amplitude est strictement plus fort que l'accès à l'échantillon. Deuxièmement, nous soutenons que l'accès au rapport d'amplitude est strictement plus faible que l'accès à l'échantillon et à la requête, mais nous montrons également qu'il conserve bon nombre de ses capacités de simulation. Fait intéressant, nous ne montrons une telle séparation que sous des hypothèses de calcul. Enfin, nous utilisons la connexion aux algorithmes de test de distribution pour produire un NQS avec seulement trois nœuds qui ne code pas une fonction d'onde valide et ne peut pas être échantillonné.

► Données BibTeX

► Références

Scott Aaronson et Alex Arkhipov "La complexité computationnelle de l'optique linéaire" (2011).
https: / / doi.org/ 10.1145 / 1993636.1993682

Clément Cannone Communication personnelle (2021).

Clément L. Canonne, Dana Ron et Rocco A. Servedio, "Tester les distributions de probabilité à l'aide d'échantillons conditionnels" SIAM Journal on Computing 44, 540–616 (2015).
https: / / doi.org/ 10.1137 / 130945508

Clement L. Canonne, Xi Chen, Gautam Kamath, Amit Levi et Erik Waingarten, "Random Restrictions of High Dimensional Distributions and Uniformity Testing with Subcube Conditioning" Actes du trente-deuxième symposium annuel ACM-SIAM sur les algorithmes discrets 321–336 ( 2021).

Giuseppe Carleo, Yusuke Nomura et Masatoshi Imada, "Construire des représentations exactes de systèmes quantiques à plusieurs corps avec des réseaux de neurones profonds" Nature Communications 9, 5322 (2018).
https:/​/​doi.org/​10.1038/​s41467-018-07520-3

Giuseppe Carleo et Matthias Troyer « Résoudre le problème quantique à plusieurs corps avec des réseaux de neurones artificiels » Science 355, 602–606 (2017).
https: / / doi.org/ 10.1126 / science.aag2302

Sourav Chakraborty, Eldar Fischer, Yonatan Goldhirsh et Arie Matsliah, « Sur la puissance des échantillons conditionnels dans les tests de distribution », actes de la 4e conférence sur les innovations en informatique théorique 561-580 (2013).
https: / / doi.org/ 10.1145 / 2422436.2422497

Martin Dyer, Alan Frieze et Ravi Kannan, "Un algorithme polynomial aléatoire pour approximer le volume des corps convexes" J. ACM 38, 1–17 (1991).
https: / / doi.org/ 10.1145 / 102782.102783

Alan Frieze, Ravi Kannan et Santosh Vempala, "Algorithmes rapides de Monte-Carlo pour la recherche d'approximations de rang inférieur" J. ACM 51, 1025–1041 (2004).
https: / / doi.org/ 10.1145 / 1039488.1039494

Xun Gaoand Lu-Ming Duan "Représentation efficace des états quantiques à plusieurs corps avec des réseaux de neurones profonds" Nature Communications 8, 662 (2017).
https:/​/​doi.org/​10.1038/​s41467-017-00705-2

Vojtech Havlicekand Sergii Strelchuk "Les circuits d'échantillonnage de Schur quantique peuvent être fortement simulés" Phys. Rév. Lett. 121, 060505 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.060505

Geoffrey E. Hinton "Produits de formation d'experts en minimisant la divergence contrastive" Neural Computation 14, 1771–1800 (2002).
https: / / doi.org/ 10.1162 / 089976602760128018

Mark Huber "Algorithmes d'approximation pour la constante de normalisation des distributions de Gibbs" The Annals of Applied Probability 25 (2015).
https://​/​doi.org/​10.1214/​14-aap1015

Mark Jerrum "Génération aléatoire de structures combinatoires à partir d'une distribution uniforme (résumé étendu)" Actes du 12e colloque sur les automates, les langages et la programmation 290–299 (1985).

Mark R. Jerrum, Leslie G. Valiant et Vijay V. Vazirani, "Génération aléatoire de structures combinatoires à partir d'une distribution uniforme" Theoretical Computer Science 43, 169–188 (1986).
https:/​/​doi.org/​10.1016/​0304-3975(86)90174-X
https://​/​www.sciencedirect.com/​science/​article/​pii/​030439758690174X

Bjarni Jónsson, Bela Bauer et Giuseppe Carleo, "États du réseau de neurones pour la simulation classique de l'informatique quantique" arXiv e-prints arXiv:1808.05232 (2018).
https://​/​doi.org/​10.48550/​ARXIV.1808.05232
arXiv: 1808.05232

Richard M Karp, Michael Luby et Neal Madras, "Algorithmes d'approximation de Monte-Carlo pour les problèmes d'énumération" Journal of Algorithms 10, 429–448 (1989).
https:/​/​doi.org/​10.1016/​0196-6774(89)90038-2
https:/​/​www.sciencedirect.com/​science/​article/​pii/​0196677489900382

Matthieu Lerasle « Notes de cours : sujets sélectionnés sur la théorie de l'apprentissage statistique robuste » arXiv e-prints arXiv:1908.10761 (2019).
https://​/​doi.org/​10.48550/​ARXIV.1908.10761
arXiv: 1908.10761

Philip M. Longand Rocco A. Servedio "Les machines Boltzmann restreintes sont difficiles à évaluer ou à simuler approximativement" Actes de la 27e Conférence internationale sur l'apprentissage automatique 703–710 (2010).

James Martens, Arkadev Chattopadhya, Toni Pitassi et Richard Zemel, "Sur l'efficacité de représentation des machines Boltzmann restreintes" Curran Associates, Inc. (2013).
http://​/​papers.nips.cc/​paper/​5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

Matija Medvidović et Giuseppe Carleo "Simulation variationnelle classique de l'algorithme d'optimisation approximative quantique" npj Quantum Information 7, 101 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00440-z
arXiv: 2009.01760

Imdad SB Sardharwalla, Sergii Strelchuk et Richard Jozsa, "Quantum Conditional Query Complexity" Quantum Info. Calcul. 17, 541–567 (2017).

P. Smolensky "Traitement de l'information dans les systèmes dynamiques : fondements de la théorie de l'harmonie" MIT Press (1986).

Daniel Štefankovič, Santosh Vempala et Eric Vigoda, "Recuit simulé adaptatif : une connexion quasi optimale entre l'échantillonnage et le comptage" J. ACM 56 (2009).
https: / / doi.org/ 10.1145 / 1516512.1516520

Ewin Tang « Un algorithme classique d'inspiration quantique pour les systèmes de recommandation » Actes du 51e Symposium annuel ACM SIGACT sur la théorie de l'informatique 217-228 (2019).
https: / / doi.org/ 10.1145 / 3313276.3316310

LG Valiant "La complexité du calcul du permanent" Theoretical Computer Science 8, 189–201 (1979).
https:/​/​doi.org/​10.1016/​0304-3975(79)90044-6
https:/​/​www.sciencedirect.com/​science/​article/​pii/​0304397579900446

Maarten Van Den Nest "Simuler des ordinateurs quantiques avec des méthodes probabilistes" Quantum Info. Calcul. 11, 784–812 (2011).

Cité par

[1] Anna Dawid, Julian Arnold, Borja Requena, Alexander Gresch, Marcin Płodzień, Kaelan Donatella, Kim A. Nicoli, Paolo Stornati, Rouven Koch, Miriam Büttner, Robert Okuła, Gorka Muñoz-Gil, Rodrigo A. Vargas-Hernández, Alba Cervera-Lierta, Juan Carrasquilla, Vedran Dunjko, Marylou Gabrié, Patrick Huembeli, Evert van Nieuwenburg, Filippo Vicentini, Lei Wang, Sebastian J. Wetzel, Giuseppe Carleo, Eliška Greplová, Roman Krems, Florian Marquardt, Michał Tomza, Maciej Lewenstein, et Alexandre Dauphin, "Applications modernes de l'apprentissage automatique aux sciences quantiques", arXiv: 2204.04198, (2022).

[2] Sergey Bravyi, Giuseppe Carleo, David Gosset et Yinchen Liu, "Une chaîne de Markov à mélange rapide à partir de tout système quantique à plusieurs corps gapped", arXiv: 2207.07044, (2022).

Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2023-03-02 17:14:26). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.

Impossible de récupérer Données de référence croisée lors de la dernière tentative 2023-03-02 17:14:24: Impossible de récupérer les données citées par 10.22331 / q-2023-03-02-938 de Crossref. C'est normal si le DOI a été enregistré récemment.

Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.

Horodatage:

Plus de Journal quantique