Université Grenoble Alpes, Elenco CEA, 38000 Grenoble, Francia
Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.
Astratto
Proponiamo un metodo per trovare compilazioni approssimative di trasformazioni unitarie quantistiche, basato su tecniche di apprendimento con rinforzo del gradiente di policy. La scelta di una politica stocastica ci consente di riformulare il problema di ottimizzazione in termini di distribuzioni di probabilità, piuttosto che di porte variazionali. In questo contesto, la configurazione ottimale si trova ottimizzando sui parametri di distribuzione, piuttosto che sugli angoli liberi. Mostriamo numericamente che questo approccio può essere più competitivo rispetto ai metodi senza gradiente, per una quantità comparabile di risorse, sia per circuiti silenziosi che rumorosi. Un'altra caratteristica interessante di questo approccio alla compilazione variazionale è che non necessita di un registro separato e di interazioni a lungo raggio per stimare la fedeltà del punto finale, il che rappresenta un miglioramento rispetto ai metodi che si basano sul test di Hilbert-Schmidt. Ci aspettiamo che queste tecniche siano rilevanti per l'allenamento di circuiti variazionali in altri contesti.
► dati BibTeX
► Riferimenti
, Nielsen MA e Chuang I. Calcolo quantistico e informazioni quantistiche (2002).
, Harrow AW, Recht B. & Chuang IL Approssimazioni discrete efficienti di porte quantistiche. Journal of Mathematical Physics, 43(9), 4445-4451 (2002) https:///doi.org/10.1063/1.1495899.
https: / / doi.org/ 10.1063 / 1.1495899 mila
, Dawson CM e Nielsen MA L'algoritmo di Solovay-Kitaev. prestampa di arXiv 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
, Grafici di Lin HW Cayley e geometria della complessità. 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. Geometria iperbolica di reti complesse. Revisione fisica 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 Calcolo quantistico come geometria. Scienza, 311(5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295
, Preskill J. Informatica quantistica nell'era NISQ e oltre. Quantum, 2, 79 (2018) https:///doi.org/10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79
, Lloyd S. L'ottimizzazione approssimata quantistica è computazionalmente universale. prestampa di arXiv 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 e Zimborás Z. Sull'universalità dell'algoritmo di ottimizzazione quantistica approssimata. Elaborazione delle informazioni quantistiche, 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. Apprendimento degli unitari tramite l'ottimizzazione della discesa del gradiente. Bollettino dell'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 Supremazia quantistica attraverso l'algoritmo di ottimizzazione quantistica approssimata. prestampa di arXiv 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 Supremazia quantistica utilizzando un processore superconduttore programmabile. Natura, 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, ... e Pan JW Vantaggio computazionale quantistico tramite campionamento di circuiti casuali a 60 cicli a 24 Qubit. prestampa di arXiv 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. e König R. Vantaggio quantistico con circuiti poco profondi. 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. Vantaggio quantistico con circuiti poco profondi e rumorosi. 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 Algoritmi quantistici per la chimica quantistica e la scienza dei materiali quantistici. Chemical Reviews, 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 Simulazione quantistica scalabile delle energie molecolari. Revisione fisica 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. e Coveney PV Implementazione della riduzione della misurazione per l'autosolutore quantistico variazionale. Physical Review Research, 3(3), 033195 (2021) https:///doi.org/10.1103/PhysRevResearch.3.033195.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033195
, Hastings MB Algoritmi classici e di approssimazione della profondità limitata quantistica. prestampa di arXiv 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 e Tang E. Ostacoli all'ottimizzazione quantistica variazionale dalla protezione della simmetria. Physical Review Letters, 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. Algoritmi ibridi quanto-classici per la colorazione approssimativa dei grafici. Quantico 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. Barren altipiani nei paesaggi di addestramento delle reti neurali quantistiche. Comunicazioni sulla natura, 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 Altopiani sterili dipendenti dalla funzione di costo in reti neurali quantistiche poco profonde. Comunicazioni sulla natura, 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. Una strategia di inizializzazione per affrontare altipiani sterili in circuiti quantistici parametrizzati. Quantum, 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 Grandi gradienti tramite correlazione in circuiti quantistici a parametri casuali. Scienza e tecnologia quantistica, 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. Apprendimento a strati per reti neurali quantistiche. Quantum Machine Intelligence, 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 e Coles, PJ Compilazione quantistica assistita da Quantum. Quantistica, 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 Resilienza al rumore della compilazione quantistica variazionale. New Journal of Physics, 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 Altopiani sterili indotti dal rumore negli algoritmi quantistici variazionali. Comunicazioni sulla natura, 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 Effetto degli altipiani aridi sull'ottimizzazione senza gradiente. Quantum, 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. Valutazione dei gradienti analitici sull'hardware quantistico. Revisione fisica 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. e Sornborger AT Gli altipiani sterili precludono l'apprendimento degli scrambler. Physical Review Letters, 126(19), 190501 (2021) https:///doi.org/10.1103/PhysRevLett.126.190501.
https: / / doi.org/ 10.1103 / PhysRevLett.126.190501
, Sutton RS & Barto AG Apprendimento per rinforzo: un'introduzione. Stampa del MIT (2018).
, Nautrup HP, Delfosse N., Dunjko V., Briegel HJ e Friis N. Ottimizzazione dei codici di correzione degli errori quantistici con apprendimento per rinforzo. Quantistica, 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. Compilazione quantistica mediante Deep Reinforcement Learning. Fisica delle comunicazioni 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. Apprendimento per rinforzo con reti neurali per feedback quantistico. Revisione fisica 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 Prendere i gradienti attraverso gli esperimenti: LSTM e ottimizzazione della politica prossimale della memoria per il controllo quantistico della scatola nera. Conferenza internazionale sul calcolo ad alte prestazioni, 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. Apprendimento per rinforzo profondo per la preparazione dello stato quantistico con misurazioni non lineari deboli. Quantum 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. Osservabili quantistici per il controllo continuo dell'algoritmo di ottimizzazione quantistica approssimata tramite apprendimento per rinforzo. prestampa di arXiv 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. Algoritmo di ottimizzazione quantistica approssimata basato sul gradiente politico. In Apprendimento automatico matematico e scientifico (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. e Bukov M. Apprendimento per rinforzo per la preparazione dello stato fondamentale a molti corpi basato sulla guida contro-diabatica. Physical Review 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. e Situ H. Compilazione quantistica variazionale con doppio 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
, Barry, J., Barry, DT e Aaronson, S. Processi decisionali di Markov parzialmente osservabili quantistici. Revisione fisica 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. e McAuliffe JD Inferenza variazionale: una revisione per gli statistici. Journal of the American Statistics Association, 112(518), 859-877 (2017) https:///doi.org/10.1080/01621459.2017.1285773.
https: / / doi.org/ 10.1080 / 01621459.2017.1285773 mila
, Koller D. & Friedman N. Modelli grafici probabilistici: principi e tecniche. Stampa del MIT (2009).
, Williams RJ Semplici algoritmi statistici che seguono il gradiente per l'apprendimento con rinforzo connessionista. Apprendimento automatico, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696
, Cirq, un framework Python per creare, modificare e invocare circuiti NISQ quantistici rumorosi su scala intermedia. https:///github.com/quantumlib/Cirq.
https: / / github.com/ quantumlib / Cirq
, Shahriari B., Swersky K., Wang Z., Adams RP e De Freitas N. Togliere l'essere umano dal giro: una revisione dell'ottimizzazione bayesiana. Atti dell'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, ... e Siddiqi I. Calcolo di spettri molecolari su un processore quantistico con un algoritmo resistente agli errori. Revisione fisica 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 Circuiti quantistici superconduttori alla soglia del codice di superficie per la tolleranza ai guasti. Natura, 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, ... e Dzurak AS La fedeltà dei qubit in silicio si avvicina ai limiti di rumore incoerenti tramite l'ingegneria degli impulsi. 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, ... e Dzurak AS Benchmark di fedeltà per porte a due qubit in silicio. Natura, 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 e Lucas DM Porte logiche quantistiche veloci con qubit di ioni intrappolati. Natura, 555(7694), 75-78 (2018) https:///doi.org/10.1038/nature25737.
https: / / doi.org/ 10.1038 / nature25737
, Goodfellow I., Bengio Y. & Courville, A. Apprendimento profondo. Stampa del MIT (2016).
Citato da
[1] Esther Ye e Samuel Yen-Chi Chen, "Ricerca di architettura quantistica tramite apprendimento per rinforzo continuo", arXiv: 2112.05779.
Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2022-09-12 02:03:07). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.
On Il servizio citato da Crossref non sono stati trovati dati su citazioni (ultimo tentativo 2022-09-12 02:03:06).
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.
