ترجمه فارسی مقاله سوپرانکودر: به سوی آماده‌سازی حالت کوانتومی تقریبی عصبی جهانی

چکیده

Numerous quantum algorithms operate under the assumption that classical data has already been converted into quantum states, a process termed Quantum State Preparation (QSP). However, achieving precise QSP requires a circuit depth that scales exponentially with the number of qubits, making it a substantial obstacle in harnessing quantum advantage. Recent research suggests using a Parameterized Quantum Circuit (PQC) to approximate a target state, offering a more scalable solution with reduced circuit depth compared to precise QSP. Despite this, the need for iterative updates of circuit parameters results in a lengthy runtime, limiting its practical application. In this work, we demonstrate that it is possible to leverage a pre-trained neural network to directly generate the QSP circuit for arbitrary quantum state, thereby eliminating the significant overhead of online iterations. Our study makes a steady step towards a universal neural designer for approximate QSP.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از الگوریتم های کوانتومی با این فرض که داده های کلاسیک قبلاً به حالت های کوانتومی تبدیل شده اند ، یک فرآیند با عنوان آماده سازی حالت کوانتومی (QSP) تبدیل شده اند.با این حال ، دستیابی به QSP دقیق نیاز به عمق مدار دارد که با تعداد Qubits به صورت نمایی مقیاس می یابد ، و این یک مانع اساسی در مهار مزیت کوانتومی است.تحقیقات اخیر نشان می دهد که با استفاده از یک مدار کوانتومی پارامتر (PQC) برای تقریبی یک حالت هدف ، یک راه حل مقیاس پذیر با کاهش عمق مدار در مقایسه با QSP دقیق ارائه می دهد.با وجود این ، نیاز به به روزرسانی های تکراری پارامترهای مدار منجر به زمان اجرای طولانی می شود و کاربرد عملی آن را محدود می کند.در این کار ، ما نشان می دهیم که می توان از یک شبکه عصبی از قبل آموزش دیده استفاده کرد تا مستقیماً مدار QSP را برای حالت کوانتومی دلخواه تولید کند و از این طریق سربار قابل توجهی از تکرارهای آنلاین را از بین ببرد.مطالعه ما یک گام پایدار به سمت یک طراح عصبی جهانی برای تقریبی QSP انجام می دهد.