ترجمه فارسی مقاله مونتاژ همیلتونی متوالی: بهبود آموزش مسائل بهینه‌سازی ترکیبی در رایانه‌های کوانتومی

چکیده

A central challenge in quantum machine learning is the design and training of parameterized quantum circuits (PQCs). Much like in deep learning, vanishing gradients pose significant obstacles to the trainability of PQCs, arising from various sources. One such source is the presence of non-local loss functions, which require the measurement of a large subset of qubits involved. To address this issue and facilitate parameter training for quantum applications using global loss functions, we propose Sequential Hamiltonian Assembly (SHA). SHA iteratively approximates the loss by assembling it from local components. To further demonstrate the feasibility of our approach, we extend our previous case study by introducing a new partitioning strategy, a new merger between QAOA and SHA, and an evaluation of SHA onto the Max-Cut optimization problem. Simulation results show that SHA outperforms conventional parameter training by 43.89% and the empirical state-of-the-art, Layer-VQE by 29.08% in the mean accuracy for Max-Cut. This paves the way for locality-aware learning techniques, mitigating vanishing gradients for a large class of practically relevant problems.

چکیده به فارسی (ترجمه ماشینی)

یک چالش اصلی در یادگیری ماشین کوانتومی طراحی و آموزش مدارهای کوانتومی پارامتری (PQC) است.تقریباً مانند یادگیری عمیق ، شیب های ناپدید شده موانع مهمی در قابلیت آموزش PQC ها ایجاد می کنند که ناشی از منابع مختلف است.یکی از این منابع ، وجود توابع از دست دادن غیر محلی است که نیاز به اندازه گیری زیر مجموعه بزرگی از Qubits درگیر دارد.برای پرداختن به این مسئله و تسهیل آموزش پارامتر برای برنامه های کوانتومی با استفاده از توابع از دست دادن جهانی ، ما مونتاژ پی در پی همیلتون (SHA) را پیشنهاد می کنیم.sha با مونتاژ آن از مؤلفه های محلی ، ضرر را به طور تکراری تقریب می دهد.برای نشان دادن بیشتر امکان سنجی رویکرد ما ، ما با معرفی یک استراتژی پارتیشن بندی جدید ، ادغام جدید بین QaoA و SHA و ارزیابی SHA بر روی مشکل بهینه سازی حداکثر ، مطالعه موردی قبلی خود را گسترش می دهیم.نتایج شبیه سازی نشان می دهد که SHA از آموزش پارامتر معمولی 43.89 ٪ و پیشرفته ترین تجربی ، لایه-VQE با 29.08 ٪ در میانگین دقت برای حداکثر برش عمل می کند.این امر راه را برای تکنیک های یادگیری آگاه و آگاه ، هموار می کند و شیب های ناپدید شدن را برای یک طبقه بزرگ از مشکلات عملا مرتبط کاهش می دهد.