ترجمه فارسی مقاله QAdaPrune: هرس پارامتر تطبیقی ​​برای آموزش مدارهای کوانتومی متغیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی QAdaPrune: Adaptive Parameter Pruning For Training Variational Quantum Circuits
عنوان مقاله به فارسی QAdaPrune: هرس پارامتر تطبیقی ​​برای آموزش مدارهای کوانتومی متغیر
نویسندگان Ankit Kulshrestha, Xiaoyuan Liu, Hayato Ushijima-Mwesigwa, Bao Bach, Ilya Safro
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,Machine Learning,فیزیک کوانتومی , یادگیری ماشین ,
توضیحات Submitted 23 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In the present noisy intermediate scale quantum computing era, there is a critical need to devise methods for the efficient implementation of gate-based variational quantum circuits. This ensures that a range of proposed applications can be deployed on real quantum hardware. The efficiency of quantum circuit is desired both in the number of trainable gates and the depth of the overall circuit. The major concern of barren plateaus has made this need for efficiency even more acute. The problem of efficient quantum circuit realization has been extensively studied in the literature to reduce gate complexity and circuit depth. Another important approach is to design a method to reduce the \emph{parameter complexity} in a variational quantum circuit. Existing methods include hyperparameter-based parameter pruning which introduces an additional challenge of finding the best hyperparameters for different applications. In this paper, we present \emph{QAdaPrune} - an adaptive parameter pruning algorithm that automatically determines the threshold and then intelligently prunes the redundant and non-performing parameters. We show that the resulting sparse parameter sets yield quantum circuits that perform comparably to the unpruned quantum circuits and in some cases may enhance trainability of the circuits even if the original quantum circuit gets stuck in a barren plateau.\\ \noindent{\bf Reproducibility}: The source code and data are available at \url{https://github.com/aicaffeinelife/QAdaPrune.git}

چکیده به فارسی (ترجمه ماشینی)

در دوران محاسبات کوانتومی در مقیاس متوسط ​​و پر سر و صدا ، نیاز اساسی به تدوین روش هایی برای اجرای کارآمد مدارهای کوانتومی متغیر مبتنی بر دروازه وجود دارد.این تضمین می کند که طیف وسیعی از برنامه های پیشنهادی را می توان در سخت افزار کوانتومی واقعی مستقر کرد.راندمان مدار کوانتومی هم در تعداد دروازه های قابل آموزش و هم در عمق مدار کلی مورد نظر است.نگرانی عمده فلات بی ثمر باعث شده است تا این نیاز به کارآیی حتی حادتر شود.مشکل تحقق مدار کوانتومی کارآمد به طور گسترده در ادبیات مورد بررسی قرار گرفته است تا پیچیدگی دروازه و عمق مدار را کاهش دهد.رویکرد مهم دیگر طراحی روشی برای کاهش پیچیدگی پارامتر \ emf {در یک مدار کوانتومی متنوع است.روشهای موجود شامل هرس پارامتر مبتنی بر HyperParameter است که یک چالش اضافی برای یافتن بهترین هایپرپارامترها برای برنامه های مختلف را معرفی می کند.در این مقاله ، ما \ emph {qadaprune} - یک الگوریتم هرس پارامتر تطبیقی ​​را ارائه می دهیم که به طور خودکار آستانه را تعیین می کند و سپس پارامترهای زائد و غیر عملکردی را هرس می کند.ما نشان می دهیم که مجموعه پارامتر پراکنده حاصل از مدارهای کوانتومی عملکردی که نسبت به مدارهای کوانتومی غیرمستقیم عمل می کنند و در بعضی موارد ممکن است قابلیت آموزش مدارها را حتی اگر مدار کوانتومی اصلی در یک فلات بی ثمر گیر کند ، تقویت کند.}: کد منبع و داده ها در \ url {https://github.com/aicaffeinelife/qadaprune.git} در دسترس است

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.