振幅比とニューラル ネットワークの量子状態

振幅比とニューラル ネットワークの量子状態

タイムスタンプ：2年2023月12日午後12時
振幅比とニューラル ネットワークの量子状態 PlatoBlockchain データ インテリジェンス。垂直検索。あい。

ヴォイテク・ハブリチェク

IBM Quantum、IBM TJ Watson Research Center

この論文を興味深いと思うか、議論したいですか？ SciRateを引用するかコメントを残す.

抽象

ニューラル ネットワーク量子状態 (NQS) は、人工ニューラル ネットワークによる量子波動関数を表します。 ここでは、[Science, 355, 6325, pp. 602-606 (2017)] で定義されている NQS によって提供される波動関数アクセスを調べ、分布テストの結果と関連付けます。 これにより、このような NQS の分散テスト アルゴリズムが改善されます。 また、波動関数アクセス モデルの独立した定義である振幅比アクセスの動機にもなります。 これを、量子アルゴリズムの逆量子化の研究で以前に検討されたサンプルおよびサンプルおよびクエリ アクセス モデルと比較します。 まず、振幅比アクセスがサンプル アクセスより厳密に強いことを示します。 第二に、振幅比アクセスはサンプルおよびクエリ アクセスよりも厳密に弱いと主張しますが、シミュレーション機能の多くを保持していることも示しています。 興味深いことに、計算上の仮定の下でのみそのような分離を示しています。 最後に、分布テスト アルゴリズムへの接続を使用して、有効な波動関数をエンコードせず、サンプリングできないノードが XNUMX つだけの NQS を生成します。

►BibTeXデータ

►参照

【1] Scott Aaronsonand Alex Arkhipov「線形光学の計算の複雑さ」(2011)。
https：/ / doi.org/ 10.1145 / 1993636.1993682

【2] クレメント・キャノーネ個人通信 (2021)。

【3] Clément L. Canonne、Dana Ron、および Rocco A. Servedio、「条件付きサンプルを使用した確率分布のテスト」SIAM Journal on Computing 44、540–616 (2015)。
https：/ / doi.org/ 10.1137 / 130945508

【4] Clement L. Canonne、Xi Chen、Gautam Kamath、Amit Levi、および Erik Waingarten、「高次元分布のランダム制限とサブキューブ条件付けによる均一性テスト」第 321 回 ACM-SIAM 離散アルゴリズムに関するシンポジウムの議事録 336–2021 ( XNUMX年）。

【5] Giuseppe Carleo、Yusuke Nomura、Masatoshi Imada、「深層ニューラル ネットワークによる量子多体システムの正確な表現の構築」Nature Communications 9、5322 (2018)。
https:/​/​doi.org/​10.1038/​s41467-018-07520-3

【6] Giuseppe Carleoand MatthiasTroyer「人工ニューラルネットワークによる量子多体問題の解決」Science355、602–606（2017）。
https：/ / doi.org/ 10.1126 / science.aag2302

【7] Sourav Chakraborty、Eldar Fischer、Yonatan Goldhirsh、Arie Matsliah 共著「On the Power of Conditional Samples in Distribution Testing」Proceedings on the 4th Conference on Innovations in Theoretical Computer Science 561–580 (2013)。
https：/ / doi.org/ 10.1145 / 2422436.2422497

【8] Martin Dyer、Alan Frieze、Ravi Kannan 共著「A Random Polynomial-Time Algorithm forapproximating the Volume of Convex Body」J. ACM 38, 1–17 (1991).
https：/ / doi.org/ 10.1145 / 102782.102783

【9] Alan Frieze、Ravi Kannan、Santosh Vempala 共著「低ランク近似を見つけるための高速モンテカルロ アルゴリズム」J. ACM 51、1025–1041 (2004)。
https：/ / doi.org/ 10.1145 / 1039488.1039494

【10] Xun Gao および Lu-Ming Duan 「ディープ ニューラル ネットワークによる量子多体状態の効率的な表現」Nature Communications 8、662 (2017)。
https:/​/​doi.org/​10.1038/​s41467-017-00705-2

【11] Vojtech Havlicekand Sergii Strelchuk 「量子 Schur サンプリング回路は強力にシミュレート可能」 Phys. Ｒｅｖ．Ｌｅｔｔ． 121, 060505 (2018).
https：/ / doi.org/ 10.1103 / PhysRevLett.121.060505

【12] Geoffrey E. Hinton「Contrastive Divergence を最小化することによる専門家の製品のトレーニング」Neural Computation 14、1771–1800 (2002)。
https：/ / doi.org/ 10.1162 / 089976602760128018

【13] Mark Huber「ギブス分布の正規化定数の近似アルゴリズム」 The Annals of Applied Probability 25 (2015)。
https:/ / doi.org/ 10.1214/ 14-aap1015

【14] Mark Jerrum「一様分布からの組み合わせ構造のランダム生成 (拡張抄録)」オートマトン、言語、およびプログラミングに関する第 12 回コロキアム議事録 290–299 (1985)。

【15] Mark R. Jerrum、Leslie G. Valiant、Vijay V. Vazirani 共著「一様分布からの組み合わせ構造のランダム生成」 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

【16] Bjarni Jónsson、Bela Bauer、Giuseppe Carleo、「量子コンピューティングの古典的シミュレーションのためのニューラル ネットワーク状態」arXiv e-prints arXiv:1808.05232 (2018).
https：/ / doi.org/ 10.48550 / ARXIV.1808.05232
arXiv：1808.05232

【17] Richard M Karp、Michael Luby、および Neal Madras、「列挙問題に対するモンテカルロ近似アルゴリズム」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

【18] Matthieu Lerasle「講義ノート: ロバスト統計学習理論に関するトピックの選択」arXiv e-prints arXiv:1908.10761 (2019).
https：/ / doi.org/ 10.48550 / ARXIV.1908.10761
arXiv：1908.10761

【19] Philip M. Longand Rocco A. Servedio「Restricted Boltzmann Machines Are Hard to About Evaluate or Simulate」機械学習に関する国際会議に関する第 27 回国際会議の議事録 703–710 (2010)。

【20] James Martens、Arkadev Chattopadhya、Toni Pitassi、Richard Zemel 共著「制限付きボルツマン マシンの表現効率について」Curran Associates, Inc. (2013)。
http:// / papers.nips.cc/ paper/ 5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

【21] マティヤ・メドヴィドヴィッチとジュゼッペ・カルレオ「量子近似最適化アルゴリズムの古典的変分シミュレーション」npj Quantum Information 7, 101 (2021).
https：/ / doi.org/ 10.1038 / s41534-021-00440-z
arXiv：2009.01760

【22] Imdad SB Sardharwalla、Sergii Strelchuk、Richard Jozsa、「量子条件付きクエリの複雑さ」量子情報。 計算します。 17、541–567（2017）。

【23] P. スモレンスキー「動的システムにおける情報処理: 調和理論の基礎」MIT プレス (1986)。

【24] Daniel Štefankovič、Santosh Vempala、Eric Vigoda 共著「Adaptive Simulated Annealing: A Near-Optimal Connection between Sampling and Counting」J. ACM 56 (2009)。
https：/ / doi.org/ 10.1145 / 1516512.1516520

【25] Ewin Tang「レコメンデーション システムのための量子にインスパイアされた古典的アルゴリズム」Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing 217–228 (2019)。
https：/ / doi.org/ 10.1145 / 3313276.3316310

【26] LG ヴァリアント「パーマネントの計算の複雑さ」理論的コンピューター サイエンス 8、189–201 (1979 年)。
https:/​/​doi.org/​10.1016/​0304-3975(79)90044-6
https：/ / www.sciencedirect.com/ science / article / pii / 0304397579900446

【27] Maarten Van Den Nest 「確率論的方法による量子コンピューターのシミュレーション」 量子情報。 計算します。 11、784–812（2011）。

によって引用

[1]アンナ・ダヴィド、ジュリアン・アーノルド、ボルハ・レケナ、アレクサンドル・グレッシュ、マルシン・プウォジエン、カエランドナテッラ、キム・A・ニコリ、パオロ・ストルナティ、ルーベン・コッホ、ミリアム・ブットナー、ロバート・オクワ、ゴルカ・ムニョス・ギル、ロドリゴ・A・バルガス・ヘルナンデスAlba Cervera-Lierta、Juan Carrasquilla、Vedran Dunjko、MarylouGabrié、Patrick Huembeli、Evert van Nieuwenburg、Filippo Vicentini、Lei Wang、Sebastian J.Wetzel、Giuseppe Carleo、EliškaGreplová、Roman Krems、Florian Marquardt、MichałTomzaアレクサンドルドーフィン、「量子科学における機械学習の現代的な応用」、 arXiv：2204.04198, (2022).

[2] Sergey Bravyi、Giuseppe Carleo、David Gosset、および Yinchen Liu、「ギャップのある量子多体系からの急速に混合するマルコフ連鎖」、 arXiv：2207.07044, (2022).

上記の引用は SAO / NASA ADS （最後に正常に更新された2023-03-02 17:14:26）。 すべての出版社が適切で完全な引用データを提供するわけではないため、リストは不完全な場合があります。

取得できませんでした クロスリファレンス被引用データ 最終試行2023-03-02 17:14:24：10.22331 / q-2023-03-02-938の被引用データをCrossrefから取得できませんでした。 DOIが最近登録された場合、これは正常です。

この論文は、 Creative Commons Attribution 4.0 International（CC BY 4.0） ライセンス。 著作権は、著者やその機関などの元の著作権者にあります。

タイムスタンプ：

より多くの 量子ジャーナル