Apr, 2024

学习排名量子电路以提升硬件优化性能

PDF
TL;DR我们介绍并实验测试了一种基于实际硬件的训练程序得出的预期性能估计来排名逻辑上等效的量子电路的机器学习方法。我们将该方法应用于布局选择问题，在给定设备上将抽象的量子比特分配给物理比特。在 IBM 硬件上进行的电路测量表明，逻辑上等效的布局的最大和中位保真度可以相差一个量级。我们引入了一个用于排名的电路得分，该得分以基于物理的现象学误差模型进行参数化，其参数通过使用测量数据集上的排名损失函数进行拟合。数据集包括在 IBM 硬件上执行的具有多样结构的量子电路，使得该模型能够将实际设备噪声和误差的上下文特征纳入其中，而无需执行指数成本的重建协议。我们在 16 比特 ibmq_guadalupe 设备上进行模型训练和执行，并将我们的方法与两种常见方法进行比较：随机布局选择和名为 Mapomatic 的公开基准。我们的模型始终优于这两种方法，预测的布局噪声更低，性能更高。特别地，相对于基线方法，我们的最佳模型使选择错误减少了 1.8 倍，而相对于随机选择则减少了 3.2 倍。除了提供一种新的预测性量子表征、验证和验证方法外，我们的结果还揭示了背离简单代理测量所推断性能估计的依赖上下文和相干门错误的特定方式。
quantum circuitslayout selectionmachine learningrankingperformance estimates
发现论文，激发创造
  • 用生成建模方法来评估和训练浅层量子电路

    本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

    Jan, 2018

  • 基于量子电路度量和贝叶斯优化的量子神经架构搜索

    通过设计用于贝叶斯优化的量子电路度量，我们提供了一种新的量子门距离，该距离表征了每个量子态下门的作用，并从理论上研究了其几何特性，从而显著提高了三个经验量子机器学习问题（包括训练量子生成敌对网络、解决 MaxCut 问题中的组合优化和模拟量子傅里叶变换） 的基准性能，同时我们的方法可以推广到各种量子机器学习模型上。

    Jun, 2022

  • 基于电路的量子分类器

    本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

    Apr, 2018

  • 混合量子计算机的量子电路训练

    这篇论文研究了使用基于数据的方法在陷阱离子量子计算机上训练量子电路，以实现一种高维普适量子电路的学习，为混合学习方案提供了进一步的发展和挑战。

    Dec, 2018

  • 量子电路学习

    本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

    Mar, 2018

  • QuEst: 量子电路可靠性估计的图形变换器

    使用 TorchQuantum Python 库中的图形变换模型，利用机器学习方法预测噪声对电路保真度的影响，可以在估计精度和速度方面胜过传统的电路模拟器。

    Oct, 2022

  • AltGraph: 用生成图模型重新设计量子电路，以实现高效优化

    本研究提出了一种名为 AltGraph 的搜索型电路转换方法，使用现有的生成图模型生成等效的量子电路。使用三个主要的图模型：DAG Variational Autoencoder (D-VAE)、Gated Recurrent Unit (GRU) 和 Graph Convolutional Network (GCN)，以及 Deep Generative Model for Graphs (DeepGMG)。AltGraph 比原始转换电路平均减少 37.55% 的门数量和 37.75% 的电路深度，且平均密度矩阵均方误差 (MSE) 仅为 0.0074。

    Feb, 2024

  • 深度强化学习的量子电路优化

    本研究使用基于强化学习的方法对量子电路进行优化，通过深度卷积神经网络，实现了对于特定架构的任意量子电路的自主学习及优化。对 12 比特电路进行实验得出优化效果，平均深度降低 27％，门数降低 15％，并探讨了方法在近期量子设备上的可行性。

    Mar, 2021

  • 量子电路玻恩机的可微学习

    通过量子电路出生机器实现深度量子电路的生成建模，并提出了一种基于梯度的学习算法来最小化核化的最大均值偏差损失函数，该算法可以在近期的量子设备上运行并在生成建模方面显现出量子优势。

    Apr, 2018

  • 区分量子测量轨迹并提高读出精度的机器学习方法

    采用聚类方法增强机器学习，将量子信息协议中的超导量子比特系统的测量轨迹进行分类，诊断系统错误，并改进分类方法，提高测量精度。

    Nov, 2014