.png){kind=icon}
返回
SuperEncoder: Towards Efficient Neural Approximate Quantum State Preparation
.png){kind=icon}
PRE
AI
DOI：10.1109/TC.2025.3644034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大量量子算法假设经典数据已被转换为量子态，这一过程被称为量子态制备（QSP）。然而，实现精确的QSP需要电路深度随量子比特数量呈指数级增长，这对实现量子优势构成了重大挑战。近期研究探索参数化量子电路（PQCs）作为近似替代方案，在减少电路深度的同时提高了可扩展性。但该方法所需的迭代、逐态优化带来了巨大的运行时开销，严重限制了其实用性。为提高近似QSP的效率，我们提出了一种新颖的两阶段框架，有望为任意量子态生成QSP电路。在离线训练阶段，我们的模型学习从目标态到电路参数的直接映射，从而在推理阶段避免了在线、逐态优化的需求。大量评估表明，我们的方法将运行时开销最多减少了132倍，朝着高效神经网络近似QSP迈出了稳健的一步。
Keyword:
Quantum state preparation
performance optimization
期刊
IF:
3.8
论文数:
5.4K
被引数:
9.8K
机构
引用论文
Machine learning method for state preparation and gate synthesis on photonic quantum computers用于光子量子计算机的状态准备和门合成的机器学习方法
OAAI
OAAI分享收藏Hardware-efficient variational quantum eigensolver for small molecules and quantum magnets用于小分子和量子磁体的硬件高效变分量子本征求解器.png)
NatureOAAI
NatureIF0
OAAI分享收藏Quantum Generative Adversarial Networks for learning and loading random distributions用于学习和加载随机分布的量子生成对抗网络OAAI
OAAI分享收藏分享收藏DeepQPrep: Neural Network Augmented Search for Quantum State PreparationDeepQPrep: 用于量子态制备的神经网络增强搜索IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容