Université Grenoble Alpes, Lista CEA, 38000 Grenoble, França
Acha este artigo interessante ou deseja discutir? Scite ou deixe um comentário no SciRate.
Sumário
Propomos um método para encontrar compilações aproximadas de transformações unitárias quânticas, baseado em técnicas de aprendizado de reforço de gradiente de políticas. A escolha de uma política estocástica nos permite reformular o problema de otimização em termos de distribuições de probabilidade, ao invés de portas variacionais. Nesta estrutura, a configuração ideal é encontrada otimizando os parâmetros de distribuição, em vez de ângulos livres. Mostramos numericamente que essa abordagem pode ser mais competitiva do que métodos livres de gradiente, para uma quantidade comparável de recursos, tanto para circuitos silenciosos quanto ruidosos. Outra característica interessante dessa abordagem de compilação variacional é que ela não precisa de um registro separado e interações de longo alcance para estimar a fidelidade do ponto final, o que é uma melhoria em relação aos métodos que dependem do teste de Hilbert-Schmidt. Esperamos que essas técnicas sejam relevantes para o treinamento de circuitos variacionais em outros contextos.
► dados BibTeX
► Referências
[1] Nielsen MA & Chuang I. Computação Quântica e Informação Quântica (2002).
[2] Harrow AW, Recht B. & Chuang IL Aproximações discretas eficientes de portas quânticas. 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 O algoritmo Solovay-Kitaev. pré-impressão 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
[4] Gráficos de Lin HW Cayley e geometria de complexidade. 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
[5] Krioukov D., Papadopoulos F., Kitsak M., Vahdat A. & Boguná M. Geometria hiperbólica de redes complexas. Revisão Física 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 Computação quântica como geometria. Science, 311(5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295
[7] Preskill J. Computação quântica na era NISQ e além. Quantum, 2, 79 (2018) https://doi.org/10.22331/q-2018-08-06-79.
https://doi.org/10.22331/q-2018-08-06-79
[8] A otimização aproximada do Lloyd S. Quantum é computacionalmente universal. arXiv pré-impressão 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. Sobre a universalidade do algoritmo de otimização aproximada quântica. Processamento de informações quânticas, 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. Aprendendo unitários via otimização de gradiente descendente. Boletim da 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 Supremacia quântica através do algoritmo de otimização aproximada quântica. arXiv pré-impressão 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 Supremacia quântica usando um processador supercondutor programável. Nature, 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 Vantagem Computacional Quântica via Amostragem de Circuito Aleatório de 60 Ciclos de 24 Qubits. arXiv pré-impressão 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., & König R. Vantagem quântica com circuitos rasos. Science, 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. Vantagem quântica com circuitos rasos barulhentos. 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 Algoritmos quânticos para química quântica e ciência de materiais quânticos. Chemical Reviews, 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 Simulação quântica escalável de energias moleculares. 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., & Coveney PV Implementação de redução de medição para o autosolver quântico variacional. Physical Review Research, 3(3), 033195 (2021) https://doi.org/10.1103/PhysRevResearch.3.033195.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.033195
[19] Hastings MB Algoritmos de aproximação de profundidade limitada clássica e quântica. arXiv pré-impressão 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, & Tang E. Obstáculos à otimização quântica variacional da proteção de simetria. 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. Algoritmos quântico-clássicos híbridos para coloração aproximada de grafos. Quantum 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. Barren platôs em cenários de treinamento de rede neural quântica. Comunicações da natureza, 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 Planaltos estéreis dependentes da função de custo em redes neurais quânticas rasas. Comunicações da natureza, 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. Uma estratégia de inicialização para endereçar platôs estéreis em circuitos quânticos parametrizados. Quantum, 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 Grandes gradientes via correlação em circuitos quânticos parametrizados aleatórios. Quantum Science and Technology, 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. Aprendizado em camadas para redes neurais quânticas. Quantum Machine Intelligence, 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, & Coles, PJ Compilação quântica assistida por Quantum. Quantum, 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 Resiliência ao ruído da compilação quântica variacional. 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 Planaltos estéreis induzidos por ruído em algoritmos quânticos variacionais. Comunicações da natureza, 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 Efeito de platôs estéreis na otimização livre de 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
[31] Schuld M., Bergholm V., Gogolin C., Izaac J. & Killoran, N. Avaliando gradientes analíticos em hardware quântico. Revisão Física 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 Platôs estéreis impedem os misturadores de aprendizado. 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 Aprendizagem por reforço: Uma introdução. Imprensa do MIT (2018).
[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Otimizando códigos de correção de erros quânticos com aprendizado por reforço. Quantum, 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. Quantum Compiling por Deep Reinforcement Learning. Communications Physics 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. Aprendizagem por reforço com redes neurais para feedback quântico. 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 Tomando gradientes através de experimentos: LSTMs e otimização de políticas proximais de memória para controle quântico de caixa preta. Conferência Internacional sobre Computação de Alto Desempenho, 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. Deep Reinforcement Learning for Quantum State Preparation with Weak Nonlinear Measurements. Quantum 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. Observáveis quânticos para controle contínuo do algoritmo de otimização aproximada quântica via aprendizado por reforço. arXiv pré-impressão 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. Algoritmo de otimização aproximado quântico baseado em gradiente de política. Em Aprendizado de Máquina Matemática e Científica (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., & Bukov M. Aprendizagem por Reforço para Preparação do Estado Fundamental de Muitos Corpos com Base na Condução Contra-Diabática. 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. Compilação quântica variacional com duplo 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
[43] Barry, J., Barry, DT, & Aaronson, S. Quantum processos de decisão Markov parcialmente observáveis. Revisão Física A, 90(3), 032311 (2014) https://doi.org/10.1103/PhysRevA.90.032311.
https: / / doi.org/ 10.1103 / PhysRevA.90.032311
[44] Blei DM, Kucukelbir A. & McAuliffe JD Inferência variacional: Uma revisão para estatísticos. 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. Modelos gráficos probabilísticos: princípios e técnicas. Imprensa do MIT (2009).
[46] Williams RJ Algoritmos estatísticos simples de seguimento de gradiente para aprendizado por reforço conexionista. Aprendizado de máquina, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696
[47] Cirq, uma estrutura python para criar, editar e invocar circuitos NISQ quânticos de escala intermediária barulhentos. https://github.com/quantumlib/Cirq.
https: // github.com/ quantumlib / Cirq
[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Tirando o humano do circuito: Uma revisão da otimização Bayesiana. Anais do IEEE, 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. Computação de espectros moleculares em um processador quântico com um algoritmo resiliente a erros. Revisão Física 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 Circuitos quânticos supercondutores no limite do código de superfície para tolerância a falhas. Nature, 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 Fidelidades de qubit de silício se aproximando de limites de ruído incoerentes por meio de engenharia de pulso. 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
[52] Huang W., Yang CH, Chan KW, Tanttu T., Hensen B., Leon RCC, … & Dzurak AS Fidelity benchmarks para portas de dois qubits em silício. Nature, 569(7757), 532-536 (2019) https:///doi.org/10.1038/s41586-019-1197-0.
https://doi.org/10.1038/s41586-019-1197-0
[53] Schäfer VM, Ballance CJ, Thirumalai K., Stephenson LJ, Ballance TG, Steane AM e Lucas DM Portas lógicas quânticas rápidas com qubits de íons presos. Nature, 555(7694), 75-78 (2018) https://doi.org/10.1038/nature25737.
https: / / doi.org/ 10.1038 / nature25737
[54] Goodfellow I., Bengio Y. & Courville, A. Deep Learning. Imprensa do MIT (2016).
Citado por
[1] Esther Ye e Samuel Yen-Chi Chen, “Pesquisa de Arquitetura Quântica via Aprendizagem por Reforço Contínuo”, arXiv: 2112.05779.
As citações acima são de SAO / NASA ADS (última atualização com êxito 2022-09-12 02:03:07). A lista pode estar incompleta, pois nem todos os editores fornecem dados de citação adequados e completos.
On Serviço citado por Crossref nenhum dado sobre a citação de trabalhos foi encontrado (última tentativa 2022-09-12 02:03:06).
Este artigo é publicado na Quantum sob o Atribuição 4.0 do Creative Commons Internacional (CC BY 4.0) licença. Os direitos autorais permanecem com os detentores originais, como os autores ou suas instituições.
