Approche du gradient politique pour la compilation de circuits quantiques variationnels

Republié par Platon

Suiveurs: 0

David A. Herrera-Marti

Université Grenoble Alpes, Liste CEA, 38000 Grenoble, France

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

Abstract

Nous proposons une méthode pour trouver des compilations approximatives de transformations unitaires quantiques, basée sur des techniques d'apprentissage par renforcement des gradients politiques. Le choix d'une politique stochastique nous permet de reformuler le problème d'optimisation en termes de distributions de probabilité, plutôt que de portes variationnelles. Dans ce cadre, la configuration optimale est trouvée en optimisant sur les paramètres de distribution, plutôt que sur les angles libres. Nous montrons numériquement que cette approche peut être plus compétitive que les méthodes sans gradient, pour une quantité de ressources comparable, à la fois pour les circuits silencieux et bruyants. Une autre caractéristique intéressante de cette approche de la compilation variationnelle est qu'elle n'a pas besoin d'un registre séparé et d'interactions à longue portée pour estimer la fidélité du point final, ce qui est une amélioration par rapport aux méthodes qui reposent sur le test de Hilbert-Schmidt. Nous nous attendons à ce que ces techniques soient pertinentes pour la formation de circuits variationnels dans d'autres contextes.

► Données BibTeX

@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}approach to {C}ompilation of {V}ariational {Q}uantum {C}ircuits}, auteur = {Herrera-Mart{'{i}}, David A.}, journal = {{Quantique}}, issn = {2521-327X}, éditeur = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {6}, pages = {797}, mois = septembre, année = {2022} }

► Références

Nielsen MA & Chuang I. Calcul quantique et information quantique (2002).

Harrow AW, Recht B. & Chuang IL Approximations discrètes efficaces des portes quantiques. Journal of Mathematical Physics, 43(9), 4445-4451 (2002) https://doi.org/10.1063/1.1495899.
https: / / doi.org/ 10.1063 / 1.1495899

Dawson CM & Nielsen MA L'algorithme de 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

Graphes de Lin HW Cayley et géométrie de complexité. 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

Krioukov D., Papadopoulos F., Kitsak M., Vahdat A. & Boguná M. Géométrie hyperbolique des réseaux complexes. Examen physique E, 82(3), 036106 (2010) https://doi.org/10.1103/PhysRevE.82.036106.
https: / / doi.org/ 10.1103 / PhysRevE.82.036106

Nielsen MA, Dowling MR, Gu M. & Doherty AC Calcul quantique en tant que géométrie. Science, 311(5764), 1133-1135 (2006) https://10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295

Preskill J. L'informatique quantique à l'ère NISQ et au-delà. Quantique, 2, 79 (2018) https://doi.org/10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79

L'optimisation approximative de Lloyd S. Quantum est universelle en termes de calcul. 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

Morales ME, Biamonte JD & Zimborás Z. Sur l'universalité de l'algorithme d'optimisation approchée quantique. Traitement de l'information quantique, 19(9), 1-26 (2020) https://doi.org/10.1007/s11128-020-02748-9.
https://doi.org/10.1007/s11128-020-02748-9

Kiani B., Maity R. & Lloyd S. Unités d'apprentissage via l'optimisation de descente de gradient. Bulletin de l'American Physical Society, 65 (2020) https://doi.org/10.48550/arXiv.2001.11897.
https:///doi.org/10.48550/arXiv.2001.11897

Farhi E. & Harrow AW Suprématie quantique grâce à l'algorithme d'optimisation quantique approximative. 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

Arute F., Arya K., Babbush R., Bacon D., Bardin JC, Barends R., … & Martinis JM Suprématie quantique à l'aide d'un processeur supraconducteur programmable. Nature, 574(7779), 505-510 (2019) https://doi.org/10.1038/s41586-019-1666-5.
https://doi.org/10.1038/s41586-019-1666-5

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

Bravyi S., Gosset D. et König R. Avantage quantique avec des circuits peu profonds. Science, 362(6412), 308-311 (2018) https://doi.org/10.1126/science.aar3106.
https: / / doi.org/ 10.1126 / science.aar3106

Bravyi S., Gosset D., Koenig R. & Tomamichel, M. Avantage quantique avec des circuits bruyants peu profonds. 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

Bauer B., Bravyi S., Motta M. & Chan GKL Algorithmes quantiques pour la chimie quantique et la science des matériaux quantiques. Examens chimiques, 120(22), 12685-12717 (2020) https://doi.org/10.1021/acs.chemrev.9b00829.
https: / / doi.org/ 10.1021 / acs.chemrev.9b00829

O'Malley PJ, Babbush R., Kivlichan ID, Romero J., McClean JR, Barends R., … & Martinis JM Simulation quantique évolutive des énergies moléculaires. Examen physique X, 6(3), 031007 (2016) https://doi.org/10.1103/PhysRevX.6.031007.
https: / / doi.org/ 10.1103 / PhysRevX.6.031007

Ralli A., Love PJ, Tranter A., & Coveney PV Implémentation de la réduction de mesure pour le solveur propre quantique variationnel. Recherche sur l'examen physique, 3(3), 033195 (2021) https://doi.org/10.1103/PhysRevResearch.3.033195.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033195

Hastings MB Algorithmes d'approximation de profondeur classiques et quantiques. 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

Bravyi S., Kliesch A., Koenig R et Tang E. Obstacles à l'optimisation quantique variationnelle à partir de la protection de la symétrie. Lettres d'examen physique, 125(26), 260505 (2020) https://doi.org/10.1103/PhysRevLett.125.260505.
https: / / doi.org/ 10.1103 / PhysRevLett.125.260505

Bravyi S., Kliesch A., Koenig R. & Tang E. Algorithmes quantiques classiques hybrides pour la coloration approximative des graphes. Quantique 6, 678 (2022). https:///doi.org/10.22331/q-2022-03-30-678.
https://doi.org/10.22331/q-2022-03-30-678

McClean JR, Boixo S., Smelyanskiy VN, Babbush R. & Neven, H. Plateaux Barren dans les paysages de formation des réseaux de neurones quantiques. Communications nature, 9(1) (2018) https://doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

Cerezo M., Sone A., Volkoff T., Cincio L. & Coles PJ Plateaux stériles dépendant de la fonction de coût dans les réseaux de neurones quantiques peu profonds. Communications avec la nature, 12(1) (2021) https://doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w

Grant E., Wossnig L., Ostaszewski M. & Benedetti, M. Une stratégie d'initialisation pour traiter les plateaux stériles dans les circuits quantiques paramétrés. Quantique, 3, 214 (2019) https://doi.org/10.22331/q-2019-12-09-214.
https://doi.org/10.22331/q-2019-12-09-214

Volkoff T. & Coles PJ Grands gradients via corrélation dans des circuits quantiques paramétrés aléatoires. Science et technologie quantiques, 6(2), 025008 (2021) https://doi.org/10.1088/2058-9565/abd891.
https:///doi.org/10.1088/2058-9565/abd891

Skolik A., McClean JR, Mohseni M., van der Smagt P. & Leib, M. Apprentissage par couches pour les réseaux de neurones quantiques. Intelligence artificielle quantique, 3(1), (2021) https://doi.org/10.1007/s42484-020-00036-4.
https://doi.org/10.1007/s42484-020-00036-4

Khatri S., LaRose R., Poremba A., Cincio L., Sornborger AT et Coles, PJ Compilation quantique assistée par Quantum. Quantique, 3, 140 (2019) https://doi.org/10.22331/q-2019-05-13-140.
https://doi.org/10.22331/q-2019-05-13-140

Sharma K., Khatri S., Cerezo M. & Coles PJ Résilience au bruit de la compilation quantique variationnelle. Nouveau Journal de Physique, 22(4), 043006 (2020) https://doi.org/10.1088/1367-2630/ab784c.
https: / / doi.org/ 10.1088 / 1367-2630 / ab784c

Wang S., Fontana E., Cerezo M., Sharma K., Sone A., Cincio L. & Coles PJ Plateaux stériles induits par le bruit dans les algorithmes quantiques variationnels. Communications nature, 12(1) (2021) https://doi.org/10.1038/s41467-021-27045-6.
https://doi.org/10.1038/s41467-021-27045-6

Arrasmith A., Cerezo M., Czarnik P., Cincio L. & Coles PJ Effet des plateaux stériles sur l'optimisation sans gradient. Quantique, 5, 558 (2021) https://doi.org/10.22331/q-2021-10-05-558.
https://doi.org/10.22331/q-2021-10-05-558

Schuld M., Bergholm V., Gogolin C., Izaac J. & Killoran, N. Évaluation des gradients analytiques sur le matériel quantique. Examen physique A, 99(3) (2019) https://doi.org/10.1103/PhysRevA.99.032331.
https: / / doi.org/ 10.1103 / PhysRevA.99.032331

Holmes Z., Arrasmith A., Yan B., Coles PJ, Albrecht A. & Sornborger AT Les plateaux stériles empêchent l'apprentissage des brouilleurs. Lettres d'examen physique, 126(19), 190501 (2021) https://doi.org/10.1103/PhysRevLett.126.190501.
https: / / doi.org/ 10.1103 / PhysRevLett.126.190501

Sutton RS & Barto AG Apprentissage par renforcement : Une introduction. Presse du MIT (2018).

Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Optimisation des codes de correction d'erreurs quantiques avec apprentissage par renforcement. Quantique, 3, 215 (2019) https://doi.org/10.22331/q-2019-12-16-215.
https://doi.org/10.22331/q-2019-12-16-215

Moro, L., Paris, MG, Restelli, M., & Prati, E. Compilation quantique par Deep Reinforcement Learning. Physique des communications 4 (2021) https://doi.org/10.1038/s42005-021-00684-3.
https://doi.org/10.1038/s42005-021-00684-3

Fösel T., Tighineanu P., Weiss T. & Marquardt F. Apprentissage par renforcement avec des réseaux de neurones pour la rétroaction quantique. Examen physique X, 8(3), 031084 (2018) https://doi.org/10.1103/PhysRevX.8.031084.
https: / / doi.org/ 10.1103 / PhysRevX.8.031084

August M. & Hernández-Lobato, JM Prendre des gradients à travers des expériences : LSTM et optimisation de la politique proximale de la mémoire pour le contrôle quantique de la boîte noire. Conférence internationale sur le calcul haute performance, Springer (2018) https://doi.org/10.1007/978-3-030-02465-9_43.
https://doi.org/10.1007/978-3-030-02465-9_43

Porotti R., Essig A., Huard B. & Marquardt F. Apprentissage par renforcement profond pour la préparation de l'état quantique avec des mesures non linéaires faibles. Quantique 6, 747 (2022) https://doi.org/10.22331/q-2022-06-28-747.
https://doi.org/10.22331/q-2022-06-28-747

Garcia-Saez A. & Riu J. Observables quantiques pour le contrôle continu de l'algorithme d'optimisation approchée quantique via l'apprentissage par renforcement. 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

Yao J., Bukov M. & Lin, L. Algorithme d'optimisation approximative quantique basé sur le gradient de politique. Dans Mathematical and Scientific Machine Learning (pp. 605-634). PMLR (2020) https://doi.org/10.48550/arXiv.2002.01068.
https:///doi.org/10.48550/arXiv.2002.01068

Yao J., Lin L. et Bukov M. Apprentissage par renforcement pour la préparation de l'état fondamental à plusieurs corps basée sur la conduite contre-diabatique. Examen physique X, 11(3), 031070 (2021) https://doi.org/10.1103/PhysRevX.11.031070.
https: / / doi.org/ 10.1103 / PhysRevX.11.031070

He Z., Li L., Zheng S., Li Y. & Situ H. Compilation quantique variationnelle avec double Q-learning. Nouveau Journal de Physique, 23(3), 033002 (2021) https://doi.org/10.1088/1367-2630/abe0ae.
https:///doi.org/10.1088/1367-2630/abe0ae

Barry, J., Barry, DT et Aaronson, S. Quantum Processus de décision de Markov partiellement observables. Examen physique A, 90(3), 032311 (2014) https://doi.org/10.1103/PhysRevA.90.032311.
https: / / doi.org/ 10.1103 / PhysRevA.90.032311

Blei DM, Kucukelbir A. & McAuliffe JD Inférence variationnelle : une revue pour les statisticiens. Journal de l'Association statistique américaine, 112(518), 859-877 (2017) https://doi.org/10.1080/01621459.2017.1285773.
https: / / doi.org/ 10.1080 / 01621459.2017.1285773

Koller D. & Friedman N. Modèles graphiques probabilistes : principes et techniques. Presse du MIT (2009).

Williams RJ Algorithmes statistiques simples de suivi de gradient pour l'apprentissage par renforcement connexionniste. Apprentissage automatique, 8(3), 229-256 (1992) https://doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696

Cirq, un cadre python pour créer, éditer et invoquer des circuits NISQ quantiques à échelle intermédiaire bruyants. https:///github.com/quantumlib/Cirq.
https: / / github.com/ quantumlib / Cirq

Shahriari B., Swersky K., Wang Z., Adams RP et De Freitas N. Sortir l'humain de la boucle : un examen de l'optimisation bayésienne. Actes de l'IEEE, 104(1), 148-175 (2015) https://doi.org/10.1109/JPROC.2015.2494218.
https: / / doi.org/ 10.1109 / JPROC.2015.2494218

Colless JI, Ramasesh VV, Dahlen D., Blok MS, Kimchi-Schwartz ME, McClean, JR, … & Siddiqi I. Calcul de spectres moléculaires sur un processeur quantique avec un algorithme résistant aux erreurs. Examen physique X, 8(1), 011021 (2018) https://doi.org/10.1103/PhysRevX.8.011021.
https: / / doi.org/ 10.1103 / PhysRevX.8.011021

Barends R., Kelly J., Megrant A., Veitia A., Sank D., Jeffrey E., … & Martinis JM Circuits quantiques supraconducteurs au seuil de code de surface pour la tolérance aux fautes. Nature, 508(7497), 500-503 (2014) https://doi.org/10.1038/nature13171.
https: / / doi.org/ 10.1038 / nature13171

Yang CH, Chan KW, Harper R., Huang W., Evans T., Hwang JCC, … & Dzurak AS Les fidélités des qubits en silicium se rapprochent des limites de bruit incohérentes via l'ingénierie des impulsions. 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

Huang W., Yang CH, Chan KW, Tanttu T., Hensen B., Leon RCC, … & Dzurak AS Repères de fidélité pour les portes à deux qubits dans le silicium. Nature, 569(7757), 532-536 (2019) https://doi.org/10.1038/s41586-019-1197-0.
https://doi.org/10.1038/s41586-019-1197-0

Schäfer VM, Ballance CJ, Thirumalai K., Stephenson LJ, Ballance TG, Steane AM et Lucas DM Portes logiques quantiques rapides avec qubits à ions piégés. Nature, 555(7694), 75-78 (2018) https://doi.org/10.1038/nature25737.
https: / / doi.org/ 10.1038 / nature25737

Goodfellow I., Bengio Y. & Courville, A. Deep Learning. Presse du MIT (2016).

Cité par

[1] Esther Ye et Samuel Yen-Chi Chen, "Recherche d'architecture quantique via l'apprentissage par renforcement continu", arXiv: 2112.05779.

Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2022-09-12 02:03:07). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.

On Le service cité par Crossref aucune donnée sur la citation des œuvres n'a été trouvée (dernière tentative 2022-09-12 02:03:06).

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.