Université Grenoble Alpes, CEA List, 38000 Grenoble, ฝรั่งเศส
พบบทความนี้ที่น่าสนใจหรือต้องการหารือ? Scite หรือแสดงความคิดเห็นใน SciRate.
นามธรรม
เราเสนอวิธีการค้นหาการรวบรวมโดยประมาณของการแปลงหน่วยควอนตัม โดยอิงตามเทคนิคจากการเรียนรู้การเสริมแรงไล่ระดับนโยบาย การเลือกนโยบายสโตแคสติกช่วยให้เราสามารถใช้ถ้อยคำใหม่เกี่ยวกับปัญหาการปรับให้เหมาะสมในแง่ของการแจกแจงความน่าจะเป็น แทนที่จะเป็นประตูผันแปร ในเฟรมเวิร์กนี้ คอนฟิกูเรชันที่เหมาะสมจะพบได้โดยการปรับให้เหมาะสมผ่านพารามิเตอร์การกระจาย แทนที่จะเป็นมุมอิสระ เราแสดงเป็นตัวเลขว่าวิธีนี้สามารถแข่งขันได้มากกว่าวิธีการแบบ Gradient-free สำหรับทรัพยากรในปริมาณที่ใกล้เคียงกัน ทั้งสำหรับวงจรที่ไม่มีเสียงรบกวนและสัญญาณรบกวน คุณสมบัติที่น่าสนใจอีกประการของวิธีการนี้ในการคอมไพล์แบบแปรผันคือไม่จำเป็นต้องมีรีจิสเตอร์แยกต่างหากและการโต้ตอบระยะไกลเพื่อประเมินความเที่ยงตรงของจุดสิ้นสุด ซึ่งเป็นการปรับปรุงวิธีการที่อาศัยการทดสอบของฮิลแบร์ต-ชมิดต์ เราคาดว่าเทคนิคเหล่านี้จะเกี่ยวข้องกับการฝึกวงจรความผันแปรในบริบทอื่นๆ
► ข้อมูล BibTeX
► ข้อมูลอ้างอิง
[1] Nielsen MA & Chuang I. การคำนวณควอนตัมและข้อมูลควอนตัม (2002)
[2] Harrow AW, Recht B. & Chuang IL การประมาณควอนตัมเกตแบบแยกส่วนอย่างมีประสิทธิภาพ วารสารคณิตศาสตร์ฟิสิกส์ 43(9), 4445-4451 (2002) https:///doi.org/10.1063/1.1495899
https://doi.org/10.1063/1.1495899
[3] Dawson CM & Nielsen MA อัลกอริทึม Solovay-Kitaev พิมพ์ล่วงหน้า arXiv quant-ph/0505030 (2005) https:///doi.org/10.48550/arXiv.quant-ph/0505030
https://doi.org/10.48550/arXiv.quant-ph/0505030
arXiv:ปริมาณ-ph/0505030
[4] กราฟ Lin HW Cayley และรูปทรงเรขาคณิตที่ซับซ้อน วารสารฟิสิกส์พลังงานสูง 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. เรขาคณิตไฮเปอร์โบลิกของเครือข่ายที่ซับซ้อน การตรวจร่างกาย 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 การคำนวณควอนตัมเป็นรูปทรงเรขาคณิต วิทยาศาสตร์, 311(5764), 1133-1135 (2006) https:///10.1126/science.1124295.
https://doi.org/10.1126/science.1124295
[7] Preskill J. Quantum Computing ในยุค NISQ และหลังจากนั้น ควอนตัม 2, 79 (2018) https://doi.org/10.22331/q-2018-08-06-79
https://doi.org/10.22331/q-2018-08-06-79
[8] การเพิ่มประสิทธิภาพโดยประมาณของ Lloyd S. Quantum นั้นเป็นสากลเชิงคำนวณ พิมพ์ล่วงหน้า arXiv 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 และ Zimborás Z เกี่ยวกับความเป็นสากลของอัลกอริธึมการปรับให้เหมาะสมเชิงควอนตัม การประมวลผลข้อมูลควอนตัม 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. หน่วยการเรียนรู้ผ่านการเพิ่มประสิทธิภาพการไล่ระดับสี แถลงการณ์ของ 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 Quantum supremacy ผ่านอัลกอริทึมการปรับให้เหมาะสมโดยประมาณของควอนตัม พิมพ์ล่วงหน้า arXiv 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 อำนาจสูงสุดโดยใช้ตัวประมวลผลตัวนำยิ่งยวดที่ตั้งโปรแกรมได้ ธรรมชาติ, 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 ผ่าน 60-Qubit 24-Cycle Random Circuit Sampling พิมพ์ล่วงหน้า arXiv 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. ความได้เปรียบทางควอนตัมกับวงจรตื้น วิทยาศาสตร์ 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 ได้เปรียบด้วยวงจรตื้นที่มีเสียงดัง ฟิสิกส์ธรรมชาติ 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 อัลกอริทึมควอนตัมสำหรับเคมีควอนตัมและวัสดุศาสตร์ควอนตัม บทวิจารณ์เกี่ยวกับสารเคมี 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 การจำลองควอนตัมที่ปรับขนาดได้ของพลังงานโมเลกุล การตรวจร่างกาย 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 การดำเนินการลดการวัดสำหรับ eigensolver ควอนตัมที่ผันแปร การวิจัยทบทวนทางกายภาพ 3(3), 033195 (2021) https:///doi.org/10.1103/PhysRevResearch.3.033195
https://doi.org/10.1103/PhysRevResearch.3.033195
[19] Hastings MB คลาสสิกและอัลกอริธึมการประมาณเชิงลึกขอบเขตควอนตัม พิมพ์ล่วงหน้า arXiv 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. อุปสรรคในการเพิ่มประสิทธิภาพควอนตัมแปรผันจากการป้องกันสมมาตร จดหมายทบทวนทางกายภาพ 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. อัลกอริธึมควอนตัมคลาสสิกแบบไฮบริดสำหรับการระบายสีกราฟโดยประมาณ ควอนตัม 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 ที่ราบสูงในภูมิทัศน์การฝึกอบรมโครงข่ายประสาทควอนตัม การสื่อสารธรรมชาติ 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 ที่ราบสูงแห้งแล้งขึ้นอยู่กับฟังก์ชันต้นทุนในเครือข่ายประสาทควอนตัมตื้น การสื่อสารธรรมชาติ 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. กลยุทธ์การเริ่มต้นสำหรับการจัดการกับที่ราบสูงแห้งแล้งในวงจรควอนตัมแบบกำหนดพารามิเตอร์ ควอนตัม 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 การไล่ระดับสีขนาดใหญ่ผ่านความสัมพันธ์ในวงจรควอนตัมแบบกำหนดพารามิเตอร์แบบสุ่ม วิทยาศาสตร์และเทคโนโลยีควอนตัม 6(2), 025008 (2021) https:///doi.org/10.1088/2058-9565/abd891
https://doi.org/10.10882058-9565/abd891
[26] Skolik A., McClean JR, Mohseni M., van der Smagt P. & Leib, M. การเรียนรู้แบบเลเยอร์สำหรับโครงข่ายประสาทควอนตัม 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 ควอนตัมช่วยรวบรวม ควอนตัม 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 ความยืดหยุ่นทางเสียงของการรวบรวมควอนตัมที่ผันแปร วารสารฟิสิกส์ฉบับใหม่ 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 ที่ราบสูงแห้งแล้งที่เกิดจากเสียงรบกวนในอัลกอริธึมควอนตัมแปรผัน การสื่อสารธรรมชาติ 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 ผลกระทบของที่ราบสูงแห้งแล้งต่อการเพิ่มประสิทธิภาพโดยไม่ไล่ระดับสี ควอนตัม 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. การประเมินการไล่ระดับสีเชิงวิเคราะห์บนฮาร์ดแวร์ควอนตัม การตรวจร่างกาย 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 Barren กีดกันการเรียนรู้ scramblers จดหมายทบทวนทางกายภาพ 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 การเรียนรู้การเสริมแรง: บทนำ สำนักพิมพ์เอ็มไอที (2018)
[34] Nautrup HP, Delfosse N., Dunjko V., Briegel HJ & Friis N. การเพิ่มประสิทธิภาพรหัสแก้ไขข้อผิดพลาดควอนตัมด้วยการเรียนรู้เสริมกำลัง ควอนตัม 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 โดย Deep Reinforcement Learning ฟิสิกส์การสื่อสาร 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. การเรียนรู้การเสริมแรงด้วยโครงข่ายประสาทเทียมสำหรับการป้อนกลับควอนตัม การตรวจร่างกาย 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 ใช้การไล่ระดับสีผ่านการทดลอง: LSTMs และการเพิ่มประสิทธิภาพนโยบายใกล้เคียงของหน่วยความจำสำหรับการควบคุมควอนตัมกล่องดำ การประชุมนานาชาติเกี่ยวกับคอมพิวเตอร์ประสิทธิภาพสูง 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. การเรียนรู้การเสริมแรงเชิงลึกสำหรับการเตรียมสถานะควอนตัมด้วยการวัดแบบไม่เชิงเส้นที่อ่อนแอ ควอนตัม 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 สามารถสังเกตได้สำหรับการควบคุมอย่างต่อเนื่องของอัลกอริธึมการปรับให้เหมาะสมโดยประมาณของควอนตัมผ่านการเรียนรู้แบบเสริมแรง พิมพ์ล่วงหน้า arXiv 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. อัลกอริธึมการเพิ่มประสิทธิภาพเชิงควอนตัมแบบไล่ระดับสีตามนโยบาย ในการเรียนรู้ของเครื่องทางคณิตศาสตร์และวิทยาศาสตร์ (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. การเรียนรู้การเสริมแรงสำหรับการเตรียมสภาพพื้นของร่างกายหลายส่วนตามการขับรถต้าน Diabatic การตรวจร่างกาย 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. รวบรวมควอนตัมแปรผันด้วย Q-learning สองเท่า วารสารฟิสิกส์ฉบับใหม่ 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 กระบวนการตัดสินใจของ Markov ที่สังเกตได้บางส่วน การตรวจร่างกาย 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 การอนุมานแบบแปรผัน: บทวิจารณ์สำหรับนักสถิติ 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. โมเดลกราฟิกเชิงความน่าจะเป็น: หลักการและเทคนิค. สำนักพิมพ์เอ็มไอที (2009)
[46] Williams RJ อัลกอริทึมการไล่ระดับสีทางสถิติอย่างง่ายสำหรับการเรียนรู้การเสริมแรงการเชื่อมต่อ การเรียนรู้ของเครื่อง, 8(3), 229-256 (1992) https:///doi.org/10.1007/BF00992696
https://doi.org/10.1007/BF00992696
[47] Cirq เฟรมเวิร์ก Python สำหรับสร้าง แก้ไข และเรียกใช้วงจร NISQ ควอนตัมสเกลระดับกลางที่มีเสียงดัง https://github.com/quantumlib/Cirq.
https://github.com/quantumlib/Cirq
[48] Shahriari B., Swersky K., Wang Z., Adams RP & De Freitas N. นำมนุษย์ออกจากวง: การทบทวนการเพิ่มประสิทธิภาพแบบเบย์ การดำเนินการของ 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. การคำนวณสเปกตรัมของโมเลกุลบนตัวประมวลผลควอนตัมด้วยอัลกอริทึมที่ยืดหยุ่นต่อข้อผิดพลาด การตรวจร่างกาย 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 วงจรควอนตัมตัวนำยิ่งยวดที่เกณฑ์รหัสพื้นผิวสำหรับความทนทานต่อความผิดพลาด ธรรมชาติ, 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 ความเที่ยงตรงของควิบิตของซิลิคอนกำลังเข้าใกล้ขีดจำกัดของเสียงที่ไม่ต่อเนื่องกันผ่านวิศวกรรมพัลส์ 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 เกณฑ์มาตรฐานความเที่ยงตรงสำหรับเกตสองควิบิตในซิลิกอน ธรรมชาติ 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 และ Lucas DM ประตูลอจิกควอนตัมที่รวดเร็วพร้อมคิวบิตไอออนที่ติดอยู่ ธรรมชาติ 555(7694), 75-78 (2018) https://doi.org/10.1038/nature25737
https://doi.org/10.1038/nature25737
[54] Goodfellow I., Bengio Y. & Courville, A. การเรียนรู้เชิงลึก สำนักพิมพ์เอ็มไอที (2016)
อ้างโดย
[1] Esther Ye และ Samuel Yen-Chi Chen, “การค้นหาสถาปัตยกรรมควอนตัมผ่านการเรียนรู้การเสริมกำลังอย่างต่อเนื่อง”, arXiv: 2112.05779.
การอ้างอิงข้างต้นมาจาก are อบต./นาซ่าโฆษณา (ปรับปรุงล่าสุดสำเร็จ 2022-09-12 02:03:07 น.) รายการอาจไม่สมบูรณ์เนื่องจากผู้จัดพิมพ์บางรายไม่ได้ให้ข้อมูลอ้างอิงที่เหมาะสมและครบถ้วน
On บริการอ้างอิงของ Crossref ไม่พบข้อมูลอ้างอิงงาน (ความพยายามครั้งสุดท้าย 2022-09-12 02:03:06)
บทความนี้เผยแพร่ใน Quantum ภายใต้ the ครีเอทีฟคอมมอนส์แบบแสดงที่มา 4.0 สากล (CC BY 4.0) ใบอนุญาต ลิขสิทธิ์ยังคงอยู่กับผู้ถือลิขสิทธิ์ดั้งเดิม เช่น ผู้เขียนหรือสถาบันของพวกเขา
