Université Grenoble Alpes, CEA List, 38000 Grenoble, Franciaország
Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.
Absztrakt
Javasolunk egy módszert a kvantum unitárius transzformációk hozzávetőleges összeállításainak megtalálására, a politika gradiens megerősítésének tanulási technikái alapján. A sztochasztikus politika megválasztása lehetővé teszi számunkra, hogy az optimalizálási problémát valószínűségi eloszlások, nem pedig variációs kapuk alapján fogalmazzuk meg. Ebben a keretben az optimális konfigurációt az eloszlási paraméterek feletti optimalizálással találjuk meg, nem pedig a szabad szögek felett. Számszerűen megmutatjuk, hogy ez a megközelítés versenyképesebb lehet, mint a gradiensmentes módszerek, összehasonlítható mennyiségű erőforrás mellett, mind a zajmentes, mind a zajos áramkörök esetében. A variációs kompiláció ezen megközelítésének másik érdekessége, hogy nincs szüksége külön regiszterre és hosszú távú interakciókra a végpont hűség becsléséhez, ami előrelépés a Hilbert-Schmidt teszten alapuló módszerekhez képest. Elvárjuk, hogy ezek a technikák relevánsak legyenek a variációs áramkörök más kontextusban történő betanításában.
► BibTeX adatok
► Referenciák
[1] Nielsen MA & Chuang I. Kvantumszámítás és kvantuminformáció (2002).
[2] Harrow AW, Recht B. & Chuang IL Kvantumkapuk hatékony diszkrét közelítései. 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 A Solovay-Kitaev algoritmus. 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] Lin HW Cayley grafikonok és összetettségi geometria. 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. Komplex hálózatok hiperbolikus geometriája. 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. és Doherty AC A kvantumszámítás mint geometria. Science, 311 (5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https:///doi.org/10.1126/science.1124295
[7] Preskill J. Quantum computing a NISQ-korszakban és azon túl. 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. A kvantumközelítő optimalizálás számításilag univerzális. 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. A kvantumközelítő optimalizáló algoritmus univerzalitásáról. 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. Unitariák tanulása gradiens süllyedés optimalizáláson keresztül. 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 Kvantumfölény a kvantumközelítő optimalizálási algoritmuson keresztül. 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 Kvantum fölény programozható szupravezető processzor használatával. 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 kvantumszámítási előny 60 qubites 24 ciklusos véletlenszerű áramkör-mintavételezéssel. 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. és König R. Kvantumelőny sekély áramkörökkel. 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. Kvantumelőny zajos sekély áramkörökkel. 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 Kvantum-algoritmusok kvantumkémiához és kvantumanyag-tudományhoz. 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 Molekuláris energiák skálázható kvantumszimulációja. 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. és Coveney PV Méréscsökkentés megvalósítása a variációs kvantum sajátmegoldóhoz. 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 Klasszikus és kvantumkorlátos mélységközelítő algoritmusok. 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. A variációs kvantumoptimalizálás akadályai a szimmetriavédelemből. 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. Hibrid kvantum-klasszikus algoritmusok közelítő gráfszínezéshez. 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 platók kvantum-neurális hálózatok képzési tájain. 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 Költségfüggvénytől függő kopár platók sekély kvantumneurális hálózatokban. 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. Egy inicializálási stratégia meddő platók címezéséhez paraméterezett kvantumáramkörökben. 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 Nagy gradiensek korreláció révén véletlenszerűen paraméterezett kvantumáramkörökben. 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 és 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 A variational quantum compiling zajállósága. 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 algorithms. 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 A meddő platók hatása a gradiensmentes optimalizálásra. 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 anlytic 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 A kopár fennsíkok kizárják a scramblers tanulását. 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 Megerősítő tanulás: Bevezetés. MIT sajtó (2018).
[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Kvantum hibajavító kódok optimalizálása megerősítéses tanulással. 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. Erősítés tanulása neurális hálózatokkal kvantum-visszacsatolás érdekében. 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. Gradiensek vizsgálata kísérleteken keresztül: LSTM-ek és memóriaproximális szabályzat optimalizálás a fekete doboz kvantumvezérléséhez. 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. Kvantummegfigyelhető adatok a kvantumközelítő optimalizálási algoritmus folyamatos vezérléséhez megerősítéses tanuláson keresztül. 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. Politikai gradiens alapú kvantumközelítő optimalizálási algoritmus. In Mathematical and Scientific Machine Learning (605-634. o.). PMLR (2020) https:///doi.org/10.48550/arXiv.2002.01068.
https:///doi.org/10.48550/arXiv.2002.01068
[41] Yao J., Lin L. és Bukov M. Megerősítő tanulás a sok test talajállapotának felkészítéséhez a diabetikus vezetés ellen. 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 és Aaronson, S. Quantum részlegesen megfigyelhető Markov döntési folyamatok. 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 Változatos következtetés: Áttekintés statisztikusoknak. 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. Valószínűségi grafikus modellek: alapelvek és technikák. MIT sajtó (2009).
[46] Williams RJ Egyszerű statisztikai gradiens-követő algoritmusok a konnekcionista megerősítő tanuláshoz. Machine learning, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696.
https:///doi.org/10.1007/BF00992696
[47] Cirq, egy python keretrendszer zajos, közepes méretű kvantum NISQ áramkörök létrehozására, szerkesztésére és meghívására. https:///github.com/quantumlib/Cirq.
https:///github.com/quantumlib/Cirq
[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Az ember kikerülése a hurokból: A Bayes-i optimalizálás áttekintése. 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. Molekuláris spektrumok számítása kvantumprocesszoron hibatűrő algoritmussal. 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 Szilícium qubit-hűség, amely impulzustechnika révén közeledik az inkoherens zajhatárokhoz. 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 benchmark két qubit kapukhoz szilíciumból. 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 és Lucas DM Gyors kvantumlogikai kapuk befogott ion kvbitekkel. 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 sajtó (2016).
Idézi
[1] Esther Ye és Samuel Yen-Chi Chen, „Quantum Architecture Search via Continual Reinforcement Learning”, arXiv: 2112.05779.
A fenti idézetek innen származnak SAO/NASA HIRDETÉSEK (utolsó sikeres frissítés: 2022-09-12 02:03:07). Előfordulhat, hogy a lista hiányos, mivel nem minden kiadó ad megfelelő és teljes hivatkozási adatokat.
On Crossref által idézett szolgáltatás művekre hivatkozó adat nem található (utolsó próbálkozás 2022-09-12 02:03:06).
Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.