Université Grenoble Alpes, Daftar CEA, 38000 Grenoble, Prancis
Apakah makalah ini menarik atau ingin dibahas? Scite atau tinggalkan komentar di SciRate.
Abstrak
Kami mengusulkan metode untuk menemukan kompilasi perkiraan transformasi kesatuan kuantum, berdasarkan teknik dari pembelajaran penguatan gradien kebijakan. Pilihan kebijakan stokastik memungkinkan kita untuk merumuskan kembali masalah optimasi dalam hal distribusi probabilitas, daripada gerbang variasi. Dalam kerangka ini, konfigurasi optimal ditemukan dengan mengoptimalkan parameter distribusi, bukan sudut bebas. Kami menunjukkan secara numerik bahwa pendekatan ini dapat lebih kompetitif daripada metode bebas gradien, untuk jumlah sumber daya yang sebanding, baik untuk sirkuit tanpa suara maupun bising. Fitur menarik lainnya dari pendekatan ini untuk kompilasi variasi adalah bahwa ia tidak memerlukan register terpisah dan interaksi jarak jauh untuk memperkirakan fidelitas titik akhir, yang merupakan peningkatan dari metode yang mengandalkan uji Hilbert-Schmidt. Kami berharap teknik ini relevan untuk melatih rangkaian variasi dalam konteks lain.
► data BibTeX
► Referensi
[1] Nielsen MA & Chuang I. Komputasi Kuantum dan Informasi Kuantum (2002).
[2] Harrow AW, Recht B. & Chuang IL Perkiraan diskrit gerbang kuantum yang efisien. Jurnal Fisika Matematika, 43(9), 4445-4451 (2002) https:///doi.org/10.1063/1.1495899.
https: / / doi.org/ 10.1063 / 1.1495899
[3] Dawson CM & Nielsen MA Algoritma 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] Grafik Lin HW Cayley dan geometri kompleksitas. Jurnal Fisika Energi Tinggi, 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. Geometri hiperbolik jaringan kompleks. Tinjauan Fisik 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 Perhitungan kuantum sebagai geometri. Sains, 311(5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https:///doi.org/10.1126/science.1124295
[7] Komputasi Preskill J. Quantum di era NISQ dan seterusnya. 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. Quantum perkiraan optimasi adalah komputasi universal. arXiv pracetak 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. Tentang universalitas algoritma optimasi perkiraan kuantum. Pemrosesan Informasi Kuantum, 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. Mempelajari kesatuan melalui optimasi penurunan gradien. Buletin Masyarakat Fisik Amerika, 65 (2020) https://doi.org/10.48550/arXiv.2001.11897.
https:///doi.org/10.48550/arXiv.2001.11897
[11] Farhi E. & Harrow AW Supremasi kuantum melalui algoritma optimasi perkiraan kuantum. arXiv pracetak 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 Supremasi kuantum menggunakan prosesor superkonduktor yang dapat diprogram. 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 Quantum Computational Advantage melalui Pengambilan Sampel Sirkuit Acak 60 Siklus 24-Qubit. arXiv pracetak 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. Keuntungan kuantum dengan sirkuit dangkal. Sains, 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. Quantum keuntungan dengan sirkuit dangkal yang bising. Fisika Alam, 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 Quantum algoritma untuk kimia kuantum dan ilmu material kuantum. Ulasan Bahan Kimia, 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 Simulasi kuantum skalabel energi molekul. Tinjauan Fisik 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 Implementasi reduksi pengukuran untuk pemecah eigen kuantum variasi. Penelitian Tinjauan Fisik, 3(3), 033195 (2021) https://doi.org/10.1103/PhysRevResearch.3.033195.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033195
[19] Hastings MB Algoritma aproksimasi kedalaman yang dibatasi kuantum dan klasik. arXiv pracetak 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. Hambatan untuk optimasi kuantum variasi dari perlindungan simetri. Surat Tinjauan Fisik, 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. Algoritma kuantum klasik hibrida untuk pewarnaan grafik perkiraan. Kuantum 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, dataran tinggi H. Tandus dalam lanskap pelatihan jaringan saraf kuantum. Komunikasi alam, 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 Dataran tandus yang bergantung pada fungsi biaya di jaringan saraf kuantum dangkal. Komunikasi alam, 12(1) (2021) https://doi.org/10.1038/s41467-021-21728-w.
https: / / doi.org/ 10.1038 / s41467-021-21728-w
[24] Hibah E., Wossnig L., Ostaszewski M. & Benedetti, M. Strategi inisialisasi untuk mengatasi dataran tinggi tandus di sirkuit kuantum parameter. 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 Gradien besar melalui korelasi dalam sirkuit kuantum berparameter acak. Sains dan Teknologi Quantum, 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. Pembelajaran berlapis untuk jaringan saraf kuantum. Kecerdasan Mesin Kuantum, 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 Quantum-assisted kuantum kompilasi. 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 Ketahanan kebisingan dari kompilasi kuantum variasi. Jurnal Fisika Baru, 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 Dataran tandus yang diinduksi kebisingan dalam algoritme kuantum variasi. Komunikasi alam, 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 Pengaruh dataran tinggi tandus pada optimasi bebas gradien. 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. Mengevaluasi gradien analitik pada perangkat keras kuantum. Tinjauan Fisik 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 Dataran tandus menghalangi pengacak pembelajaran. Surat Tinjauan Fisik, 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 Pembelajaran penguatan: Sebuah pengantar. Pers MIT (2018).
[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Mengoptimalkan kode koreksi kesalahan kuantum dengan pembelajaran penguatan. 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 dengan Deep Reinforcement Learning. Fisika Komunikasi 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. Pembelajaran penguatan dengan jaringan saraf untuk umpan balik kuantum. Tinjauan Fisik 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 Mengambil gradien melalui eksperimen: LSTM dan optimasi kebijakan proksimal memori untuk kontrol kuantum kotak hitam. Konferensi Internasional tentang Komputasi Kinerja Tinggi, 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. Pembelajaran Penguatan Dalam untuk Persiapan Keadaan Kuantum dengan Pengukuran Nonlinier Lemah. 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. Quantum yang dapat diamati untuk kontrol berkelanjutan dari algoritma optimasi perkiraan kuantum melalui pembelajaran penguatan. arXiv pracetak 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. Kebijakan gradien kuantum berbasis algoritma optimasi perkiraan. Dalam Pembelajaran Mesin Matematika dan Ilmiah (hlm. 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. Pembelajaran Penguatan untuk Persiapan Keadaan Dasar Banyak Tubuh berdasarkan Counter-Diabatic Driving. Tinjauan Fisik 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. Kompilasi kuantum variasi dengan pembelajaran Q ganda. Jurnal Fisika Baru, 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 sebagian diamati proses keputusan Markov. Tinjauan Fisik 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 Inferensi variasi: Tinjauan untuk ahli statistik. Jurnal Asosiasi Statistik Amerika, 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. Model grafis probabilistik: prinsip dan teknik. MIT pers (2009).
[46] Williams RJ Algoritma statistik sederhana yang mengikuti gradien untuk pembelajaran penguatan koneksionis. Pembelajaran mesin, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696
[47] Cirq, kerangka kerja python untuk membuat, mengedit, dan menjalankan sirkuit NISQ kuantum skala menengah yang berisik. https://github.com/quantumlib/Cirq.
https: / / github.com/ quantumlib / Cirq
[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Mengambil manusia dari lingkaran: Tinjauan optimasi Bayesian. Prosiding 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. Perhitungan spektrum molekul pada prosesor kuantum dengan algoritma tahan kesalahan. Tinjauan Fisik 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 Sirkuit kuantum superkonduktor di ambang kode permukaan untuk toleransi kesalahan. 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 Kesetiaan qubit silikon mendekati batas kebisingan yang tidak koheren melalui rekayasa pulsa. 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 Tolok ukur Fidelity untuk gerbang dua-qubit dalam 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, & Lucas DM Gerbang logika kuantum cepat dengan qubit ion terperangkap. 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. Pembelajaran Mendalam. MIT pers (2016).
Dikutip oleh
[1] Esther Ye dan Samuel Yen-Chi Chen, “Pencarian Arsitektur Kuantum melalui Pembelajaran Penguatan Berkelanjutan”, arXiv: 2112.05779.
Kutipan di atas berasal dari SAO / NASA ADS (terakhir berhasil diperbarui, 2022-09-12 02:03:07). Daftar ini mungkin tidak lengkap karena tidak semua penerbit menyediakan data kutipan yang cocok dan lengkap.
On Layanan dikutip-oleh Crossref tidak ada data tentang karya mengutip ditemukan (upaya terakhir 2022-09-12 02:03:06).
Makalah ini diterbitkan dalam Quantum di bawah Creative Commons Attribution 4.0 Internasional (CC BY 4.0) lisensi. Hak cipta tetap berada pada pemegang hak cipta asli seperti penulis atau lembaganya.
