Core Concepts
변수 구조 앤사츠를 통해 얕은 깊이의 회로를 생성하여 학습 가능성과 노이즈 내성을 높일 수 있다.
Abstract
이 논문은 변수 구조 앤사츠(Variable Ansatz, VAns)라는 새로운 방법을 제안한다. VAns는 변분 양자 알고리즘(VQA)에 사용되는 매개변수화된 양자 회로의 구조를 적응적으로 구축한다.
VAns는 다음과 같은 과정을 거친다:
초기 회로 구조를 설정한다.
회로에 게이트를 추가하여 구조를 변경한다. 이때 추가되는 게이트는 항등 연산을 수행한다.
회로 단순화 규칙을 적용하여 불필요한 게이트를 제거한다.
연속 매개변수를 최적화한다.
새로운 구조가 비용 함수 값을 개선하면 받아들이고, 그렇지 않으면 일정 확률로 받아들인다.
이러한 과정을 통해 VAns는 얕은 깊이의 회로를 생성할 수 있다. 이는 학습 가능성과 노이즈 내성을 높일 수 있다.
VAns는 화학, 측정, 재료 과학, 데이터 과학, 수학 등 다양한 분야의 VQA 문제에 적용되었으며, 모두 성공적인 결과를 보였다. 특히 노이즈가 있는 환경에서도 VAns가 우수한 성능을 보였다.
Stats
4큐비트 TFIM 모델에서 VAns는 에너지 오차가 6×10^-5 이하로 정확한 기저 상태를 찾았다.
8큐비트 TFIM 모델에서 VAns는 에너지 오차가 8×10^-4 이하로 기저 상태를 찾았다.
4큐비트 XXZ 스핀 모델에서 VAns는 에너지 오차가 9×10^-7 이하로 기저 상태를 찾았다.
8큐비트 XXZ 스핀 모델에서 VAns는 에너지 오차가 10^-3 수준으로 기저 상태를 찾았다.
Quotes
"VAns는 얕은 깊이의 회로를 생성하여 학습 가능성과 노이즈 내성을 높일 수 있다."
"VAns는 화학, 측정, 재료 과학, 데이터 과학, 수학 등 다양한 분야의 VQA 문제에 적용되었으며, 모두 성공적인 결과를 보였다."