Rapporti di ampiezza e stati quantici delle reti neurali

Rapporti di ampiezza e stati quantici delle reti neurali

Timestamp: 2 marzo 2023 12:12
Rapporti di ampiezza e stati quantistici della rete neurale PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Vojtech Havlicek

IBM Quantum, IBM TJ Watson Research Center

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

Gli stati quantistici della rete neurale (NQS) rappresentano funzioni d'onda quantistiche mediante reti neurali artificiali. Qui studiamo l'accesso alla funzione d'onda fornito da NQS definito in [Science, 355, 6325, pp. 602-606 (2017)] e lo mettiamo in relazione con i risultati dei test di distribuzione. Ciò porta a miglioramenti degli algoritmi di test della distribuzione per tale NQS. Motiva inoltre una definizione indipendente di un modello di accesso alla funzione d'onda: l'accesso al rapporto di ampiezza. Lo confrontiamo con i modelli di accesso campione, campione e interrogazione, precedentemente considerati nello studio della dequantizzazione degli algoritmi quantistici. Innanzitutto, mostriamo che l'accesso al rapporto di ampiezza è strettamente più forte dell'accesso al campione. In secondo luogo, sosteniamo che l’accesso al rapporto di ampiezza è strettamente più debole dell’accesso al campione e alle query, ma mostriamo anche che conserva molte delle sue capacità di simulazione. È interessante notare che mostriamo tale separazione solo sotto ipotesi computazionali. Infine, utilizziamo la connessione agli algoritmi di test della distribuzione per produrre un NQS con soli tre nodi che non codifica una funzione d'onda valida e da cui non può essere campionato.

► dati BibTeX

► Riferimenti

, Scott Aaronson e Alex Arkhipov “La complessità computazionale dell'ottica lineare” (2011).
https: / / doi.org/ 10.1145 / 1993636.1993682 mila

, Clemente Cannone Comunicazione personale (2021).

, Clément L. Canonne, Dana Ron e Rocco A. Servedio, “Testing Probability Distributions using Conditional Samples” SIAM Journal on Computing 44, 540–616 (2015).
https: / / doi.org/ 10.1137 / 130945508 mila

, Clement L. Canonne, Xi Chen, Gautam Kamath, Amit Levi e Erik Waingarten, "Restrizioni casuali di distribuzioni ad alta dimensione e test di uniformità con condizionamento del sottocubo" Atti del trentaduesimo simposio annuale ACM-SIAM sugli algoritmi discreti 321–336 ( 2021).

, Giuseppe Carleo, Yusuke Nomura e Masatoshi Imada, “Costruire rappresentazioni esatte di sistemi quantistici a molti corpi con reti neurali profonde” Nature Communications 9, 5322 (2018).
https:/​/​doi.org/​10.1038/​s41467-018-07520-3

, Giuseppe Carleo e Matthias Troyer "Risolvere il problema quantistico a molti corpi con reti neurali artificiali" Science 355, 602–606 (2017).
https: / / doi.org/ 10.1126 / science.aag2302

, Sourav Chakraborty, Eldar Fischer, Yonatan Goldhirsh e Arie Matsliah, "Sul potere dei campioni condizionali nei test di distribuzione", Atti della 4a conferenza sulle innovazioni nell'informatica teorica 561–580 (2013).
https: / / doi.org/ 10.1145 / 2422436.2422497 mila

, Martin Dyer, Alan Frieze e Ravi Kannan, "Un algoritmo casuale in tempo polinomiale per l'approssimazione del volume dei corpi convessi" J. ACM 38, 1–17 (1991).
https: / / doi.org/ 10.1145 / 102782.102783 mila

, Alan Frieze, Ravi Kannan e Santosh Vempala, "Algoritmi veloci di Monte-Carlo per la ricerca di approssimazioni di basso rango" J. ACM 51, 1025–1041 (2004).
https: / / doi.org/ 10.1145 / 1039488.1039494 mila

, Xun Gao e Lu-Ming Duan “Rappresentazione efficiente di stati quantistici a molti corpi con reti neurali profonde” Nature Communications 8, 662 (2017).
https:/​/​doi.org/​10.1038/​s41467-017-00705-2

, Vojtech Havlicekand Sergii Strelchuk "I circuiti di campionamento Quantum Schur possono essere fortemente simulati" Phys. Rev. Lett. 121, 060505 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.060505

, Geoffrey E. Hinton “Formazione di prodotti di esperti minimizzando la divergenza contrastiva” Neural Computation 14, 1771–1800 (2002).
https: / / doi.org/ 10.1162 / 089976602760128018 mila

, Mark Huber “Algoritmi di approssimazione per la costante di normalizzazione delle distribuzioni di Gibbs” The Annals of Applied Probability 25 (2015).
https://​/​doi.org/​10.1214/​14-aap1015

, Mark Jerrum "Generazione casuale di strutture combinatorie da una distribuzione uniforme (abstract esteso)" Atti del 12 ° colloquio su automi, linguaggi e programmazione 290–299 (1985).

, Mark R. Jerrum, Leslie G. Valiant e Vijay V. Vazirani, "Generazione casuale di strutture combinatorie da una distribuzione 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 e Giuseppe Carleo, "Stati della rete neurale per la simulazione classica dell'informatica quantistica" arXiv e-prints arXiv:1808.05232 (2018).
https://​/​doi.org/​10.48550/​ARXIV.1808.05232
arXiv: 1808.05232

, Richard M Karp, Michael Luby e Neal Madras, "Algoritmi di approssimazione Monte-Carlo per problemi di enumerazione" 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 "Appunti delle lezioni: argomenti selezionati sulla teoria robusta dell'apprendimento statistico" arXiv e-prints arXiv:1908.10761 (2019).
https://​/​doi.org/​10.48550/​ARXIV.1908.10761
arXiv: 1908.10761

, Philip M. Longand Rocco A. Servedio "Le macchine Boltzmann limitate sono difficili da valutare o simulare approssimativamente" Atti della 27a conferenza internazionale sulla conferenza internazionale sull'apprendimento automatico 703–710 (2010).

, James Martens, Arkadev Chattopadhya, Toni Pitassi e Richard Zemel, "Sull'efficienza rappresentativa delle macchine Boltzmann limitate" Curran Associates, Inc. (2013).
http://​/​papers.nips.cc/​paper/​5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

, Matija Medvidović e Giuseppe Carleo “Simulazione variazionale classica dell'algoritmo di ottimizzazione approssimata quantistica” npj Quantum Information 7, 101 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00440-z
arXiv: 2009.01760

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

, P. Smolensky “Elaborazione delle informazioni nei sistemi dinamici: fondamenti della teoria dell'armonia” MIT Press (1986).

, Daniel Štefankovič, Santosh Vempala e Eric Vigoda, "Riduzione adattiva simulata: una connessione quasi ottimale tra campionamento e conteggio" J. ACM 56 (2009).
https: / / doi.org/ 10.1145 / 1516512.1516520 mila

, Ewin Tang "A Quantum-Inspired Classical Algorithm for Recommendation Systems" Atti del 51esimo simposio annuale ACM SIGACT sulla teoria dell'informatica 217–228 (2019).
https: / / doi.org/ 10.1145 / 3313276.3316310 mila

, LG Valiant “La complessità del calcolo del permanente” 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 “Simulazione di computer quantistici con metodi probabilistici” Informazioni quantistiche. Calcola. 11, 784–812 (2011).

Citato da

[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, e Alexandre Dauphin, "Applicazioni moderne dell'apprendimento automatico nelle scienze quantistiche", arXiv: 2204.04198, (2022).

[2] Sergey Bravyi, Giuseppe Carleo, David Gosset e Yinchen Liu, "Una catena di Markov che si mescola rapidamente da qualsiasi sistema quantistico a molti corpi con gap", arXiv: 2207.07044, (2022).

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-03-02 17:14:26). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

Impossibile recuperare Crossref citato da dati durante l'ultimo tentativo 2023-03-02 17:14:24: Impossibile recuperare i dati citati per 10.22331 / q-2023-03-02-938 da Crossref. Questo è normale se il DOI è stato registrato di recente.

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico