Współczynniki amplitudy i stany kwantowe sieci neuronowych

Opublikowane ponownie przez Plato

Obserwuje: 0

Współczynniki amplitudy i stany kwantowe sieci neuronowej PlatoBlockchain Data Intelligence. Wyszukiwanie pionowe. AI.

Wojciech Havlicek

IBM Quantum, Centrum Badawcze IBM TJ Watson

Czy ten artykuł jest interesujący czy chcesz dyskutować? Napisz lub zostaw komentarz do SciRate.

Abstrakcyjny

Stany kwantowe sieci neuronowej (NQS) reprezentują kwantowe funkcje falowe za pomocą sztucznych sieci neuronowych. Tutaj badamy dostęp do funkcji falowej zapewniany przez NQS zdefiniowany w [Science, 355, 6325, s. 602-606 (2017)] i porównujemy go z wynikami testów dystrybucji. Prowadzi to do ulepszonych algorytmów testowania dystrybucji dla takich NQS. Motywuje to również do niezależnej definicji modelu dostępu do funkcji falowej: dostępu do stosunku amplitudy. Porównujemy to do modeli dostępu do próbek i próbek oraz zapytań, rozważanych wcześniej w badaniu dekwantyzacji algorytmów kwantowych. Po pierwsze, pokazujemy, że dostęp do stosunku amplitudy jest ściśle silniejszy niż dostęp do próbki. Po drugie, argumentujemy, że dostęp do współczynnika amplitudy jest znacznie słabszy niż dostęp do próbek i zapytań, ale pokazujemy również, że zachowuje wiele swoich możliwości symulacyjnych. Co ciekawe, taką separację pokazujemy tylko przy założeniach obliczeniowych. Wreszcie, używamy połączenia z algorytmami testowania dystrybucji, aby stworzyć NQS z zaledwie trzema węzłami, który nie koduje prawidłowej funkcji falowej i nie może być próbkowany.

► Dane BibTeX

@artykuł{Havlicek2023amplitudaratio, doi = {10.22331/q-2023-03-02-938}, url = {https://doi.org/10.22331/q-2023-03-02-938}, title = {Amplituda { R}atios i {N}eural {N}sieć {Q}uantum {S}tates}, autor = {Havlicek, Vojtech}, czasopismo = {{Quantum}}, issn = {2521-327X}, wydawca = {{ Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, tom = {7}, pages = {938}, miesiąc = marzec, rok = {2023} }

► Referencje

[1] Scott Aaronson i Alex Arkhipov „Złożoność obliczeniowa optyki liniowej” (2011).
https: / / doi.org/ 10.1145 / 1993636.1993682

[2] Clement Cannone Komunikacja osobista (2021).

[3] Clément L. Canonne, Dana Ron i Rocco A. Servedio, „Testowanie rozkładów prawdopodobieństwa za pomocą próbek warunkowych”, SIAM Journal on Computing 44, 540–616 (2015).
https: / / doi.org/ 10.1137 / 130945508

[4] Clement L. Canonne, Xi Chen, Gautam Kamath, Amit Levi i Erik Waingarten, „Random Restrictions of High Dimensional Distributions and Uniformity Testing with Subcube Conditioning” Proceedings of the 321. Annual ACM-SIAM Symposium on Discrete Algorithms 336–2021 ( XNUMX).

[5] Giuseppe Carleo, Yusuke Nomura i Masatoshi Imada, „Konstruowanie dokładnych reprezentacji kwantowych układów wielociałowych z głębokimi sieciami neuronowymi” Nature Communications 9, 5322 (2018).
https://doi.org/10.1038/s41467-018-07520-3

[6] Giuseppe Carleoand Matthias Troyer „Rozwiązywanie kwantowego problemu wielu ciał za pomocą sztucznych sieci neuronowych” Science 355, 602–606 (2017).
https: / / doi.org/ 10.1126 / science.aag2302

[7] Sourav Chakraborty, Eldar Fischer, Yonatan Goldhirsh i Arie Matsliah, „O mocy próbek warunkowych w testowaniu dystrybucji” Materiały z 4. konferencji poświęconej innowacjom w informatyce teoretycznej 561–580 (2013).
https: / / doi.org/ 10.1145 / 2422436.2422497

[8] Martin Dyer, Alan Frieze i Ravi Kannan, „Losowy algorytm czasu wielomianowego do przybliżania objętości ciał wypukłych” J. ACM 38, 1–17 (1991).
https: / / doi.org/ 10.1145 / 102782.102783

[9] Alan Frieze, Ravi Kannan i Santosh Vempala, „Szybkie algorytmy Monte-Carlo do znajdowania przybliżeń niskiego rzędu” J. ACM 51, 1025–1041 (2004).
https: / / doi.org/ 10.1145 / 1039488.1039494

[10] Xun Gaoand Lu-Ming Duan „Wydajna reprezentacja kwantowych stanów wielu ciał za pomocą głębokich sieci neuronowych” Nature Communications 8, 662 (2017).
https://doi.org/10.1038/s41467-017-00705-2

[11] Vojtech Havlicekand Sergii Strelchuk „Obwody próbkowania Quantum Schur można silnie symulować” Phys. Wielebny Lett. 121, 060505 (2018).
https: / / doi.org/ 10.1103 / PhysRevLett.121.060505

[12] Geoffrey E. Hinton „Produkty szkoleniowe ekspertów poprzez minimalizowanie rozbieżności kontrastowych” Neural Computation 14, 1771–1800 (2002).
https: / / doi.org/ 10.1162 / 089976602760128018

[13] Mark Huber „Algorytmy aproksymacji stałej normalizującej rozkładów Gibbsa” The Annals of Applied Probability 25 (2015).
https:///doi.org/10.1214/14-aap1015

[14] Mark Jerrum „Losowe generowanie struktur kombinatorycznych z jednolitej dystrybucji (streszczenie rozszerzone)” Materiały z 12. Kolokwium na temat automatów, języków i programowania 290–299 (1985).

[15] Mark R. Jerrum, Leslie G. Valiant i Vijay V. Vazirani, „Losowe generowanie struktur kombinatorycznych z jednolitej dystrybucji” 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 i Giuseppe Carleo, „Stany sieci neuronowych do klasycznej symulacji obliczeń kwantowych” arXiv e-prints arXiv: 1808.05232 (2018).
https:///doi.org/10.48550/ARXIV.1808.05232
arXiv: 1808.05232

[17] Richard M Karp, Michael Luby i Neal Madras, „Algorytmy aproksymacji Monte-Carlo dla problemów z wyliczaniem” 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 „Notatki z wykładu: Wybrane tematy dotyczące solidnej statystycznej teorii uczenia się” 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 „Ograniczone maszyny Boltzmanna są trudne do przybliżonej oceny lub symulacji” Materiały z 27. Międzynarodowej Konferencji na temat Międzynarodowej Konferencji na temat uczenia maszynowego 703–710 (2010).

[20] James Martens, Arkadev Chattopadhya, Toni Pitassi i Richard Zemel, „O reprezentacyjnej wydajności ograniczonych maszyn Boltzmanna” Curran Associates, Inc. (2013).
http:///papers.nips.cc/paper/5020-on-the-representational-efficiency-of-restricted-boltzmann-machines.pdf

[21] Matija Medvidović i Giuseppe Carleo „Klasyczna symulacja wariacyjna algorytmu przybliżonej optymalizacji kwantowej” npj Quantum Information 7, 101 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00440-z
arXiv: 2009.01760

[22] Imdad SB Sardharwalla, Sergii Strelchuk i Richard Jozsa, „Quantum Conditional Query Complexity” Quantum Info. Oblicz. 17, 541–567 (2017).

[23] P. Smolensky „Przetwarzanie informacji w systemach dynamicznych: podstawy teorii harmonii” MIT Press (1986).

[24] Daniel Štefankovič, Santosh Vempala i Eric Vigoda, „Adaptacyjne symulowane wyżarzanie: prawie optymalne połączenie między próbkowaniem a zliczaniem” J. ACM 56 (2009).
https: / / doi.org/ 10.1145 / 1516512.1516520

[25] Ewin Tang „A Quantum-Inspired Classical Algorithm for Recommendation Systems” Proceedings of 51. Annual ACM SIGACT Symposium on Theory of Computing 217–228 (2019).
https: / / doi.org/ 10.1145 / 3313276.3316310

[26] LG Valiant „Złożoność obliczeń stałych” Teoretyczna informatyka 8, 189–201 (1979).
https://doi.org/10.1016/0304-3975(79)90044-6
https:///www.sciencedirect.com/science/article/pii/0304397579900446

[27] Maarten Van Den Nest „Symulowanie komputerów kwantowych metodami probabilistycznymi” Quantum Info. Oblicz. 11, 784–812 (2011).

Cytowany przez

[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, oraz Alexandre Dauphin, „Nowoczesne zastosowania uczenia maszynowego w naukach kwantowych”, arXiv: 2204.04198, (2022).

[2] Sergey Bravyi, Giuseppe Carleo, David Gosset i Yinchen Liu, „Szybko mieszający się łańcuch Markowa z dowolnego układu wielociałowego z przerwami kwantowymi”, arXiv: 2207.07044, (2022).

Powyższe cytaty pochodzą z Reklamy SAO / NASA (ostatnia aktualizacja pomyślnie 2023-03-02 17:14:26). Lista może być niekompletna, ponieważ nie wszyscy wydawcy podają odpowiednie i pełne dane cytowania.

Nie można pobrać Przywołane przez Crossref dane podczas ostatniej próby 2023-03-02 17:14:24: Nie można pobrać cytowanych danych dla 10.22331 / q-2023-03-02-938 z Crossref. Jest to normalne, jeśli DOI zostało niedawno zarejestrowane.

Niniejszy artykuł opublikowano w Quantum pod Creative Commons Uznanie autorstwa 4.0 Międzynarodowe (CC BY 4.0) licencja. Prawa autorskie należą do pierwotnych właścicieli praw autorskich, takich jak autorzy lub ich instytucje.