MétaCan
Menu
Retour à la cohorte
Enregistrement W4307641340 · doi:10.1103/physreva.106.042443

Optimization of variational-quantum-eigensolver measurement by partitioning Pauli operators using multiqubit Clifford gates on noisy intermediate-scale quantum hardware

2022· article· en· W4307641340 sur OpenAlexafffund
Andrew Jena, Scott N. Genin, Michele Mosca

Notice bibliographique

RevuePhysical review. A/Physical review, A · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueQuantum Computing Algorithms and Architecture
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesInstitut Périmètre de physique théoriqueNatural Sciences and Engineering Research Council of CanadaGovernment of Canada
Mots-clésPauli exclusion principleSpeedupQuantumQuantum algorithmQuantum numberQuantum statePhysicsQuantum mechanicsPauli matricesQuantum computerAlgorithmComputer scienceMathematicsParallel computing

Résumé

récupéré en direct d'OpenAlex

Measuring the expectation value of Pauli operators on prepared quantum states is a fundamental task in a multitude of quantum algorithms. Simultaneously measuring sets of Pauli operators allows for fewer measurements and an overall speedup of the measurement process. Using results from coloring random graphs, we give evidence for an upper bound on the expected minimum number of simultaneously measurable parts necessary to partition a set of Pauli operators. By expanding our gate set to allow multiqubit Clifford gates before measurement, we were able to cut down the number of measurements considerably compared to previous approaches. We conjecture that this improvement is, in general, linear with respect to the lengths of the Pauli operators. We conclude by demonstrating the feasibility of this approach by implementing the variational quantum eigensolver on the Aspen-4-4Q-A quantum processor unit. In doing so, we calculate the ground-state energies of ${\mathrm{H}}_{2}$ using fewer measurements than is possible with single-qubit gates with no statistically significant difference in accuracy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,750
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,312
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical review. A/Physical review, AMême sujetQuantum Computing Algorithms and ArchitectureTravaux en français237 207