Hybrid classical-quantum linear solver using Noisy Intermediate-Scale Quantum machines

Chen, Chih-Chieh; Shiau, Shiue-Yuan; Wu, Ming‐Feng; Wu, Yuh-Renn

doi:10.1038/s41598-019-52275-6

Cited by 31 publications

(19 citation statements)

References 71 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The work by Chen et. al [74] proposes a hybrid algorithm that uses quantum random walks for solving a particular type of linear system, producing a classical result in O(n log n). However, the closest related works to ours are the recent papers that employ variational algorithms [73,[75][76][77].…”

Section: Related Workmentioning

confidence: 99%

Quantum approximate optimization for hard problems in linear algebra

Borle

Elfving²,

Lomonaco

2021

SciPost Phys. Core

View full text Add to dashboard Cite

The quantum approximate optimization algorithm (QAOA) by Farhi et al. is a quantum computational framework for solving quantum or classical optimization tasks. Here, we explore using QAOA for binary linear least squares (BLLS); a problem that can serve as a building block of several other hard problems in linear algebra, such as the non-negative binary matrix factorization (NBMF) and other variants of the non-negative matrix factorization (NMF) problem. Most of the previous efforts in quantum computing for solving these problems were done using the quantum annealing paradigm. For the scope of this work, our experiments were done on noiseless quantum simulators, a simulator including a device-realistic noise-model, and two IBM Q 5-qubit machines. We highlight the possibilities of using QAOA and QAOA-like variational algorithms for solving such problems, where trial solutions can be obtained directly as samples, rather than being amplitude-encoded in the quantum wavefunction. Our numerics show that even for a small number of steps, simulated annealing can outperform QAOA for BLLS at a QAOA depth of p\leq3p≤3 for the probability of sampling the ground state. Finally, we point out some of the challenges involved in current-day experimental implementations of this technique on cloud-based quantum computers.

show abstract

Section: Related Workmentioning

confidence: 99%

Quantum approximate optimization for hard problems in linear algebra

Borle

Elfving²,

Lomonaco

2021

SciPost Phys. Core

View full text Add to dashboard Cite

show abstract

“…In addition, the derivative required to perform the gradient descent operations are calculated using automatic differentiation. The concept of classical optimization is becoming very popular in the field of quantum computing and has also resulted in several new domains called quantum machine learning [66], hybrid quantum computation [67], quantum annealing [68], etc.…”

Section: Classical Optimizationmentioning

confidence: 99%

Resource Optimal Executable Quantum Circuit Generation Using Approximate Computing

Adarsh

Möller

2021

2021 IEEE International Conference on Quantum Computing and Engineering (QCE)

View full text Add to dashboard Cite

“…Der HHL-Algorithmus verspricht hier erhebliche Potenziale, die jedoch aufgrund verschiedener Restriktionen zumindest aktuell nicht genutzt werden können. Abhilfe sollen aber auch für diese Problemstellung hybride quantenklassische Algorithmen schaffen [16].…”

Section: Hybride Algorithmen -Simulation Maschinelles Lernen Optimiunclassified

Angewandtes Quantencomputing

Lässig

2020

Informatik Spektrum

View full text Add to dashboard Cite

Zusammenfassung Quantencomputing ist als Konzept mittlerweile zwar mehrere Jahrzehnte alt und hat von der Idee bis zu den heutigen Noisy Intermediate-Scale Quantum Maschinen verschiedene Phasen stetiger Entwicklung durchlaufen, jedoch insbesondere in den letzten Jahren deutlich an Dynamik gewonnen. Im aktuellen Stadium stehen Quantenrechner zur Verfügung, die zwar noch immer stark limitiert sind, jedoch die Ausführung maßgeschneiderter Algorithmen unterstützen, die bestehende Schwächen dieser Maschinen mit ihrem speziellen Design zu umgehen versuchen. Diese Algorithmen adressieren dabei mit Maschinellem Lernen, kombinatorischer Optimierung und Simulationsanwendungen sowie weiteren potenziellen Anwendungsfeldern Problemstellungen, die praktisch vielfältig relevant und deshalb von breitem, allgemeinen Interesse sind. Das prinzipielle Potenzial des Quantencomputers, in bestimmten Anwendungsfeldern deutlich leistungsfähiger zu sein als klassische Rechner, ruft viel Aufmerksamkeit hervor. Außerdem stellt bereits eine ganze Reihe von prinzipiell für jedermann zugänglichen Softwareframeworks Implementierungen aktueller Quantenalgorithmen zum Test und zur Evaluierung bereit. Der Artikel stellt die bisherige Entwicklung, aktuelle Verfahren sowie weitere Perspektiven der Technologie in Grundzügen dar und informiert über mögliche Anwendungsgebiete aber auch bekannte Grenzen des Quantencomputing-Paradigmas.

show abstract

Hybrid classical-quantum linear solver using Noisy Intermediate-Scale Quantum machines

Cited by 31 publications

References 71 publications

Quantum approximate optimization for hard problems in linear algebra

Quantum approximate optimization for hard problems in linear algebra

Resource Optimal Executable Quantum Circuit Generation Using Approximate Computing

Angewandtes Quantencomputing

Contact Info

Product

Resources

About