変分量子回路のコンパイルへのポリシー勾配アプローチ

プラトン再発行

フォロワー： 0

デビッド・A・エレーラ・マルティ

Université Grenoble Alpes、CEA リスト、38000 グルノーブル、フランス

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

ポリシー勾配強化学習の手法に基づいて、量子ユニタリ変換の近似コンパイルを見つける方法を提案します。確率的ポリシーの選択により、最適化問題を変分ゲートではなく確率分布の観点から言い換えることができます。このフレームワークでは、最適な構成は、自由角ではなく、分布パラメーターを最適化することによって見つかります。このアプローチは、ノイズのない回路とノイズの多い回路の両方で、同等の量のリソースに対して、勾配のない方法よりも競争力があることを数値的に示しています。変分コンパイルへのこのアプローチのもう XNUMX つの興味深い特徴は、エンドポイントの忠実度を推定するために別のレジスタと長距離相互作用を必要としないことです。これは、ヒルベルトシュミットテストに依存する方法よりも改善されています。これらの手法は、他のコンテキストでの変分回路のトレーニングに関連すると予想されます。

►BibTeXデータ

@article{HerreraMarti2022policygradient、 doi = {10.22331/q-2022-09-08-797}、 URL = {https://doi.org/10.22331/q-2022-09-08-797}、 title = {ポリシー {G}radient {A}アプローチ {V}ariational {Q}uantum {C}ircuits} の {Compilation} へのアプローチ、著者 = {Herrera-Mart{'{i}}, David A.}, ジャーナル = {{量子}}、 issn = {2521-327X}、 publisher = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, ボリューム = {6}、ページ = {797}、月 = 2022 月、年 = {XNUMX} }

►参照

【1] Nielsen MA & Chuang I. Quantum Computation and Quantum Information (2002)。

【2] Harrow AW, Recht B. & Chuang IL 量子ゲートの効率的な離散近似。 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 Solovay-Kitaev アルゴリズム。 arXiv プレプリント 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 グラフと複雑性ジオメトリ。高エネルギー物理学ジャーナル、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. 複雑なネットワークの双曲幾何学。 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. & Doherty AC ジオメトリとしての量子計算。科学、311(5764)、1133-1135 (2006) https:/ / 10.1126/ science.1124295XNUMX.
https：/ / doi.org/ 10.1126 / science.1124295

【7] Preskill J. NISQ 時代以降の量子コンピューティング。量子、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. 量子近似最適化は計算的に普遍的です。 arXiv プレプリント 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. 量子近似最適化アルゴリズムの普遍性について。量子情報処理、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. 勾配降下最適化によるユニタリの学習。 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 量子近似最適化アルゴリズムによる量子超越性。 arXiv プレプリント 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 プログラム可能な超伝導プロセッサを使用した量子超越性。ネイチャー、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 60 キュービット 24 サイクルランダム回路サンプリングによる量子計算の利点。 arXiv プレプリント 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.、および König R. 浅い回路での量子アドバンテージ。科学、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. ノイズの多い浅い回路での量子優位性。 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 量子化学および量子材料科学のための量子アルゴリズム。ケミカルレビュー、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 分子エネルギーのスケーラブルな量子シミュレーション。 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.、および Coveney PV 変分量子固有値ソルバーの測定削減の実装。フィジカルレビューリサーチ、3(3)、033195 (2021) https:/ / doi.org/ 10.1103/ PhysRevResearch.3.033195.
https：/ / doi.org/ 10.1103 / PhysRevResearch.3.033195

【19] Hastings MB 古典的および量子境界深度近似アルゴリズム。 arXiv プレプリント 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、および Tang E. 対称性保護による変分量子最適化の障害。 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. 近似グラフ彩色のためのハイブリッド量子古典アルゴリズム。クォンタム 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. 量子ニューラルネットワークのトレーニング風景における不毛の台地。 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 浅い量子ニューラルネットワークにおけるコスト関数依存の不毛の台地。 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. パラメータ化された量子回路の不毛の高原に対処するための初期化戦略。量子、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 ランダムにパラメータ化された量子回路の相関による大きな勾配。量子科学技術、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. 量子ニューラルネットワークの層ごとの学習。量子機械知能、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、および Coles、PJ 量子支援量子コンパイル。量子、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 変分量子コンパイルのノイズ耐性。 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 変分量子アルゴリズムにおけるノイズによる不毛の台地。ネイチャー・コミュニケーションズ、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 勾配のない最適化に対する不毛の台地の効果。量子、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. 量子ハードウェアでの分析勾配の評価。 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 不毛高原では、スクランブラーの学習が妨げられています。 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 強化学習: 入門。 MIT プレス (2018)。

【34] Nautrup HP、Delfosse N.、Dunjko V.、Briegel HJ & Friis N. 強化学習による量子誤り訂正符号の最適化。量子、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. 深層強化学習による量子コンパイル。通信物理学 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. 量子フィードバックのためのニューラルネットワークによる強化学習。 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 実験による勾配の取得: ブラックボックス量子制御のための LSTM とメモリ近位ポリシーの最適化。ハイパフォーマンスコンピューティングに関する国際会議、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. 弱い非線形測定による量子状態準備のための深層強化学習。クォンタム 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. 強化学習による量子近似最適化アルゴリズムの継続的な制御のための量子オブザーバブル。 arXiv プレプリント 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. ポリシー勾配ベースの量子近似最適化アルゴリズム。数学的および科学的機械学習 (pp. 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.、および Bukov M. カウンターダイアバティックドライビングに基づく多体基底状態の準備のための強化学習。 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. 二重 Q 学習による変分量子コンパイル。 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、および Aaronson, S. Quantum の部分的に観測可能なマルコフ決定プロセス。 Physical Review A、90(3)、032311 (2014) https:/ / doi.org/ 10.1103/ PhysRevA.90.032311。
https：/ / doi.org/ 10.1103 / PhysRevA.90.032311

【44] ブライ DM、ククケルビル A. & マコーリフ JD 変分推論: 統計学者のためのレビュー。 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

【45] Koller D. & Friedman N. 確率的グラフィカルモデル: 原理とテクニック。 MITプレス（2009）。

【46] Williams RJ コネクショニスト強化学習のための単純な統計的勾配追従アルゴリズム。機械学習、8(3)、229-256 (1992) https:/ / doi.org/ 10.1007/ BF00992696。
https：/ / doi.org/ 10.1007 / BF00992696

【47] Cirq は、ノイズの多い中規模の量子 NISQ 回路を作成、編集、および呼び出すための Python フレームワークです。 https:/ / github.com/ quantumlib/ Cirq.
https：/ / github.com/ Quantumlib / Circ

【48] Shahriari B.、Swersky K.、Wang Z.、Adams RP & De Freitas N. ループから人間を取り出す: ベイジアン最適化のレビュー。 IEEE の議事録、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. エラー耐性アルゴリズムを使用した量子プロセッサでの分子スペクトルの計算。 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 フォールトトレランスのための表面コードしきい値での超伝導量子回路。ネイチャー、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 シリコンキュービットの忠実度は、パルスエンジニアリングによってインコヒーレントノイズ限界に近づいています。ネイチャーエレクトロニクス、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 シリコンの 569 キュービットゲートの忠実度ベンチマーク。ネイチャー、7757(532)、536-2019 (10.1038) https:/ / doi.org/ 41586/ s019-1197-0-XNUMX.
https://doi.org/10.1038/s41586-019-1197-0

【53] Schäfer VM、Ballance CJ、Thirumalai K.、Stephenson LJ、Ballance TG、Steane AM、および Lucas DM トラップイオンキュービットを備えた高速量子論理ゲート。ネイチャー、555(7694)、75-78 (2018) https:/ / doi.org/ 10.1038/ nature25737.
https：/ / doi.org/ 10.1038 / nature25737

【54] Goodfellow I.、Bengio Y. & Courville、A. ディープラーニング。 MIT プレス (2016)。