每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

TITAN：一种用于大规模VQE中自适应参数冻结的轨迹信息技术

Created by
  • Haebom

作者

彭一峰、李欣怡、陈彦池、张凯宁、梁志鼎、王颖、杜雨轩

大纲

针对 VQE 算法训练效率低的问题，本文提出了基于深度学习的框架 Titan。Titan 能够在初始化给定哈密顿量时识别并修复冗余参数，从而在保持准确率的同时降低优化开销。这基于经验发现，即某些参数对训练动态的影响极小。Titan 的设计理念是将信息丰富且抗 Barren Plateau 的训练数据生成策略与可泛化至各种规模 Ansatz 的自适应神经网络架构相结合。基于 Ising 模型、Heisenberg 模型以及多达 30 个量子比特的各种分子系统进行的基准测试表明，与现有的最先进基线模型相比，Titan 的收敛速度提高了 3 倍，电路评估次数减少了 40% 至 60%，同时实现了相当甚至更高的准确率。

Takeaways, Limitations

•
Takeaways：
◦
我们显著提高了 VQE 算法的训练效率，增加了其对大规模汉密尔顿量的适用性。
◦
通过减少参数空间，我们降低了硬件要求并提高了VQE的实用性。
◦
它提出了一种可扩展的途径，可以促进量子化学和材料科学的进步。
◦
我们展示了训练数据生成策略和自适应神经网络架构的有效组合。
•
Limitations：
◦
Titan 的性能提升可能仅限于某些类型的汉密尔顿量。未来需要进一步评估更广泛汉密尔顿量的泛化性能。
◦
需要进一步研究来确定当前提出的方法是否适用于所有 Ansatz 或针对特定 Ansatz 进行了优化。
◦
需要对超过 30 量子比特系统的更大系统进行性能评估。
👍
Made with Slashpage