KANQAS: Kolmogorov Arnold Network for Quantum Architecture Search

要約

量子アーキテクチャ探索 (QAS) は、量子の利点に向けた量子回路の最適化と自動設計の有望な方向性です。
QAS の最近の技術は、ディープ Q ネットワークなどの強化学習からの機械学習ベースのアプローチに焦点を当てています。
多層パーセプトロンベースのディープ Q ネットワークが QAS に適用されていますが、パラメーターの数が多いため、その解釈可能性は依然として困難です。
この研究では、量子アーキテクチャの探索問題における KAN の実用性を評価し、成功の確率、最適解の頻度、ネットワークのさまざまな自由度への依存性の観点から KAN の効率を分析します。
ノイズのないシナリオでは、マルチ量子ビットの最大もつれ状態を生成するための成功の確率と最適な量子回路構成の数は、MLP よりも大幅に高くなります。
さらに、ノイズの多いシナリオでは、MLP のパフォーマンスが活性化関数の選択に大きく依存する場合、KAN は MLP よりも最大もつれ状態の近似において優れた忠実度を達成できます。
さらに調査を進めると、KAN では MLP に比べて学習可能なパラメータの数が非常に少ないですが、KAN の各エピソードの平均実行時間ははるかに長いことがわかりました。

要約(オリジナル)

Quantum architecture search~(QAS) is a promising direction for optimization and automated design of quantum circuits towards quantum advantage. Recent techniques in QAS focus on machine learning-based approaches from reinforcement learning, like deep Q-network. While multi-layer perceptron-based deep Q-networks have been applied for QAS, their interpretability remains challenging due to the high number of parameters. In this work, we evaluate the practicality of KANs in quantum architecture search problems, analyzing their efficiency in terms of the probability of success, frequency of optimal solutions and their dependencies on various degrees of freedom of the network. In a noiseless scenario, the probability of success and the number of optimal quantum circuit configurations to generate the multi-qubit maximally entangled states are significantly higher than MLPs. Moreover in noisy scenarios, KAN can achieve a better fidelity in approximating maximally entangled state than MLPs, where the performance of the MLP significantly depends on the choice of activation function. Further investigation reveals that KAN requires a very small number of learnable parameters compared to MLPs, however, the average time of executing each episode for KAN is much higher.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google