変分量子アルゴリズムの最適化

Kirjaudu sisään

näkemys - 変分量子アルゴリズムの最適化

適応型変分量子アルゴリズム（VQA）において、準ニュートン最適化プロトコル内でヘッセ行列の近似を反復間でリサイクルすることで、測定コストを大幅に削減できる。

本稿では、変分量子アルゴリズム（VQA）のトレーニングに断熱量子コンピューティングを用いるという新しいハイブリッド量子機械学習モデルを提案し、ゲートベース量子コンピューティングと断熱量子コンピューティングの統合の可能性を示唆している。

本稿では、部分系のエントロピーやエンタングルメント構造、ハミルトニアンの対称性などの限られたシステム情報を利用することで、エンタングルメントフォージングを用いて変分量子アルゴリズムのコストを削減できることを示す。

変分量子アルゴリズム（VQA）の最適化において、量子自然勾配（QNG）は有効だが、計算コストが高い。本稿では、ランダム測定と古典フィッシャー情報行列を用いることで、QNGよりも計算コストを抑えつつ、同等の精度を実現する新しい最適化手法「ランダム自然勾配」（RNG）を提案する。

変分量子アルゴリズムの目的関数を効率的に最小化するための新しい手法であるカーネル降下法を提案する。カーネル降下法は、関数の局所近似を再生核ヒルベルト空間の手法を用いて構築し、その近似を最適化することで優れた性能を示す。

Tietoja

Tuotteet

Resurssit