Policygradientinställning till sammanställning av variationskvantkretsar

Återutgiven av Platon

anhängare: 0

David A. Herrera-Martí

Université Grenoble Alpes, CEA List, 38000 Grenoble, Frankrike

Hitta det här uppsatsen intressant eller vill diskutera? Scite eller lämna en kommentar på SciRate.

Abstrakt

Vi föreslår en metod för att hitta ungefärliga sammanställningar av kvantenhetstransformationer, baserad på tekniker från policygradientförstärkningsinlärning. Valet av en stokastisk policy tillåter oss att omformulera optimeringsproblemet i termer av sannolikhetsfördelningar, snarare än variationsgrindar. I detta ramverk hittas den optimala konfigurationen genom att optimera över fördelningsparametrar, snarare än över fria vinklar. Vi visar numeriskt att detta tillvägagångssätt kan vara mer konkurrenskraftigt än gradientfria metoder, för en jämförbar mängd resurser, både för brusfria och bullriga kretsar. En annan intressant egenskap hos denna metod för variationskompilering är att den inte behöver ett separat register och långdistansinteraktioner för att uppskatta slutpunktsfideliteten, vilket är en förbättring jämfört med metoder som bygger på Hilbert-Schmidt-testet. Vi förväntar oss att dessa tekniker är relevanta för att träna variationskretsar i andra sammanhang.

► BibTeX-data

@artikel{HerreraMarti2022policygradient, doi = {10.22331/q-2022-09-08-797}, url = {https://doi.org/10.22331/q-2022-09-08-797}, title = {Policy {G}gradient {A}tillvägagångssätt för {C}ompilering av {V}ariational {Q}uantum {C}ircuits}, författare = {Herrera-Mart{'{i}}, David A.}, journal = {{Quantum}}, issn = {2521-327X}, utgivare = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volym = {6}, sidor = {797}, månad = sep, år = {2022} }

► Referenser

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

[2] Harrow AW, Recht B. & Chuang IL Effektiva diskreta approximationer av kvantportar. 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-algoritmen. arXiv preprint quant-ph/0505030 (2005) https:///doi.org/10.48550/arXiv.quant-ph/0505030.
https:///doi.org/10.48550/arXiv.quant-ph/0505030
arXiv: kvant-ph / 0505030

[4] Lin HW Cayley grafer och komplexitetsgeometri. 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. Hyperbolisk geometri av komplexa nätverk. 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 Kvantberäkning som geometri. Science, 311(5764), 1133-1135 (2006) https://10.1126/science.1124295.
https: / / doi.org/ 10.1126 / science.1124295

[7] Preskill J. Quantum computing i NISQ-eran och därefter. 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] Lloyd S. Quantum approximativ optimering är beräkningsmässigt universell. arXiv preprint 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. Om universaliteten hos den ungefärliga kvantoptimeringsalgoritmen. Quantum Information Processing, 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. Inlärning av enheter via gradient-nedstigningsoptimering. 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 Kvantöverlägsenhet genom den ungefärliga kvantoptimeringsalgoritmen. arXiv preprint 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 Quantum supremacy med hjälp av en programmerbar supraledande processor. 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 Quantum Computational Advantage via 60-Qubit 24-cyklers slumpmässig kretssampling. arXiv preprint 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. Kvantfördel med grunda kretsar. 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. Quantum fördel med bullriga grunda kretsar. 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 Kvantalgoritmer för kvantkemi och kvantmaterialvetenskap. 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 Skalbar kvantsimulering av molekylära energier. 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 Implementering av mätreduktion för den variationsmässiga kvantegenlösaren. 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 Klassiska och kvantbegränsade djupapproximationsalgoritmer. arXiv preprint 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. Hinder för variationsmässig kvantoptimering från symmetriskydd. 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. Hybrida kvantklassiska algoritmer för ungefärlig graffärgning. 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. Karga platåer i kvantneurala nätverksträningslandskap. 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 Kostnadsfunktionsberoende karga platåer i grunda kvantneurala nätverk. 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. En initialiseringsstrategi för att adressera karga platåer i parametriserade kvantkretsar. 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 Stora gradienter via korrelation i slumpparametriserade kvantkretsar. 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. Layerwise learning för kvantneurala nätverk. 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 Kvantassisterad kvantkompilering. 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 Brusresiliens av variationsmässig kvantkompilering. 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 Bullerinducerade karga platåer i variationsmässiga kvantalgoritmer. Nature communications, 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 Effekt av karga platåer på gradientfri optimering. 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. Evaluating analytic gradients on quantum hardware. 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 Karga platåer hindrar lärande scramblers. 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 Reinforcement learning: En introduktion. MIT press (2018).

[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. Optimering av kvantfelskorrigeringskoder med förstärkningsinlärning. 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 by 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. Förstärkningsinlärning med neurala nätverk för kvantåterkoppling. 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 Att ta gradienter genom experiment: LSTM:er och minnes proximal policyoptimering för black-box kvantkontroll. International Conference on High Performance Computing, 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 för kvanttillståndsförberedelse med svaga ickelinjära mätningar. 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. Quantum observables för kontinuerlig kontroll av den ungefärliga kvantoptimeringsalgoritmen via förstärkningsinlärning. arXiv preprint 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. Policygradientbaserad kvantapproximativ optimeringsalgoritm. I matematisk och vetenskaplig maskininlärning (s. 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. Förstärkningsinlärning för många kroppars marktillståndsförberedelser baserad på motdiabatisk körning. 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. Varierande kvantkompilering med dubbel Q-lärning. 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 delvis observerbara Markov-beslutsprocesser. Physical Review 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 Variationell slutledning: En recension för statistiker. Journal of the American statistical 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. Probabilistiska grafiska modeller: principer och tekniker. MIT press (2009).

[46] Williams RJ Enkla statistiska gradientföljande algoritmer för anslutningsförstärkningsinlärning. Machine learning, 8(3), 229-256 (1992) https://doi.org/10.1007/BF00992696.
https: / / doi.org/ 10.1007 / BF00992696

[47] Cirq, ett python-ramverk för att skapa, redigera och anropa brusiga kvant-NISQ-kretsar i mellanskala. https:///github.com/quantumlib/Cirq.
https: / / github.com/ quantumlib / Cirq

[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. Ta människan ur slingan: En recension av Bayesiansk optimering. Proceedings of the 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. Beräkning av molekylära spektra på en kvantprocessor med en feltålig algoritm. 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 Supraledande kvantkretsar vid ytkodströskeln för feltolerans. 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 Silicon qubit fidelities närmar sig osammanhängande brusgränser via pulsteknik. 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-riktmärken för två-qubit-grindar i kisel. 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 och Lucas DM Snabba kvantlogiska grindar med fångade jon-qubits. 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. MIT press (2016).

Citerad av

[1] Esther Ye och Samuel Yen-Chi Chen, "Quantum Architecture Search via Continual Reinforcement Learning", arXiv: 2112.05779.

Ovanstående citat är från SAO / NASA ADS (senast uppdaterad framgångsrikt 2022-09-12 02:03:07). Listan kan vara ofullständig eftersom inte alla utgivare tillhandahåller lämpliga och fullständiga citatdata.

On Crossrefs citerade service Inga uppgifter om citerande verk hittades (sista försök 2022-09-12 02:03:06).

Detta papper publiceras i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Upphovsrätten kvarstår med de ursprungliga upphovsrättsinnehavarna som författarna eller deras institutioner.