Variational Denoising for Variational Quantum Eigensolver

要約

変分量子固有ソルバー (VQE) は、古典的なコンピューターでは現在処理が困難な実際の化学問題において量子の利点を提供する可能性のあるハイブリッド アルゴリズムです。
VQE は、古典的なオプティマイザを使用してパラメータ化された量子回路をトレーニングし、特定のハミルトニアンの固有値と固有状態を近似します。
ただし、VQE は、特にノイズの多い量子デバイスで実行する場合、タスク固有の設計とマシン固有のアーキテクチャにおいて課題に直面します。
これは、トレーニング可能性、精度、効率に悪影響を及ぼし、ノイズの多い量子データが発生する可能性があります。
変分ノイズ除去を提案します。これは、パラメータ化された量子ニューラル ネットワークを使用して、ノイズの多い VQE 出力から学習することで VQE の解を改善する教師なし学習方法です。
私たちのアプローチは、$\text{H}_2$、LiH、$\text{BeH}_2$ 分子ハミルトニアン、および横磁場イジング モデルのノイズの多い入力データと比較して、エネルギー推定誤差を大幅に減少させ、基底状態の忠実度を高めることができます。
。
驚くべきことに、トレーニングにはノイズの多いデータのみが必要です。
変分ノイズ除去は量子ハードウェアに統合できるため、量子データのエンドツーエンドの量子処理としての汎用性が高まります。

要約(オリジナル)

The variational quantum eigensolver (VQE) is a hybrid algorithm that has the potential to provide a quantum advantage in practical chemistry problems that are currently intractable on classical computers. VQE trains parameterized quantum circuits using a classical optimizer to approximate the eigenvalues and eigenstates of a given Hamiltonian. However, VQE faces challenges in task-specific design and machine-specific architecture, particularly when running on noisy quantum devices. This can have a negative impact on its trainability, accuracy, and efficiency, resulting in noisy quantum data. We propose variational denoising, an unsupervised learning method that employs a parameterized quantum neural network to improve the solution of VQE by learning from noisy VQE outputs. Our approach can significantly decrease energy estimation errors and increase fidelities with ground states compared to noisy input data for the $\text{H}_2$, LiH, and $\text{BeH}_2$ molecular Hamiltonians, and the transverse field Ising model. Surprisingly, it only requires noisy data for training. Variational denoising can be integrated into quantum hardware, increasing its versatility as an end-to-end quantum processing for quantum data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google