Generative quantum combinatorial optimization by means of a novel conditional generative quantum eigensolver

要約

量子コンピューティングは、論理量子プロセッサの出現とともに変換フェーズに入り、古典的な機能を超えて複雑な問題に取り組む可能性を秘めています。
大幅な進展がありますが、量子アルゴリズムを実際の問題に適用することは依然として困難です。
ハイブリッド量子クラシック技術はこのギャップを埋めるために調査されていますが、しばしば表現力、訓練性、またはスケーラビリティの制限に直面しています。
この作業では、エンコーダーデコーダートランスを搭載したコンテキスト認識量子回路ジェネレーターである条件付き生成量子イメンソルバー（条件-GQE）を紹介します。
組み合わせの最適化に焦点を当てて、最大10キュビットの問題を解決するために発電機を訓練し、新しい問題でほぼ完璧なパフォーマンスを示します。
古典的な生成モデルの高い表現力と柔軟性を活用し、効率的な優先順位ベースのトレーニングスキームとともに、条件付きGQEは、量子回路生成のための一般化可能でスケーラブルなフレームワークを提供します。
私たちのアプローチは、ハイブリッド量子クラシックコンピューティングを進め、断層耐性量子コンピューティングへの移行を加速することに貢献します。

要約(オリジナル)

Quantum computing is entering a transformative phase with the emergence of logical quantum processors, which hold the potential to tackle complex problems beyond classical capabilities. While significant progress has been made, applying quantum algorithms to real-world problems remains challenging. Hybrid quantum-classical techniques have been explored to bridge this gap, but they often face limitations in expressiveness, trainability, or scalability. In this work, we introduce conditional Generative Quantum Eigensolver (conditional-GQE), a context-aware quantum circuit generator powered by an encoder-decoder Transformer. Focusing on combinatorial optimization, we train our generator for solving problems with up to 10 qubits, exhibiting nearly perfect performance on new problems. By leveraging the high expressiveness and flexibility of classical generative models, along with an efficient preference-based training scheme, conditional-GQE provides a generalizable and scalable framework for quantum circuit generation. Our approach advances hybrid quantum-classical computing and contributes to accelerate the transition toward fault-tolerant quantum computing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google