Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Using Learning to Optimize to train Variational Quantum Algorithms

Ondřej Sukdol

Published May 16, 2025• 0 citations
OpenAlex

Abstract

Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po- tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan- tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení, např. k problému pustých plání. V této práci se snažíme s těmito problémy vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek- tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in- formace získané rozkladem na dynamické módy.

Related papers

Optimization of Quantum-Enhanced Machine Learning: Simulation and Validation

Jiří Viták

Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.

•May 8, 2026•0 citations

State preparation for quantum machine learning

Martin Vidmar

Použitelnost mnohých kvantových algoritmů závisí na možnosti připravit vhodný kvantový stav, na němž bude algoritmus vyhodnocen. Toto platí zejména pro kvantové strojové učení, kde datové sady (které mohou být velké) musí být kvantovému zařízení předány skrz přípravu stavu. Avšak NISQ zařízení (kvantové počítače současné doby) trpí šumem, tudíž kvalita výsledku se značně zhoršuje s počtem hradel. Toto činí exaktní metody přípravy stavu nepoužitelnými pro větší počet qubitů kvůli exponenciální hloubce jejich obvodů. V této práci zkoumáme možnost připravování kvantových stavů aproximativně za účelem snížení vlivu šumu, přičemž se omezujeme na metody, které nepoužívají pomocné qubity. Vyhodnocujeme a porovnáváme tři existující metody přípravy stavu: zaprvé, známou exaktní metodu založenou na uniformně řízených rotacích; zadruhé, navrhnutou aproximativní metodu využívající Schmidtův rozklad; zatřetí, přetvoříme VQE do techniky pro přípravu stavu. Tyto tři metody vyhodnocujeme na simulátorech se šumem. Naše výsledky sestávají ze zevrubné teoretické diskuze těchto algoritmů, velké datové sady výsledků experimentů, a důkladné diskuze těchto výsledků doprovázené mnohými vizualizacemi.

•May 16, 2025•0 citations

Hybrid Quantum Computing: Practical Applications and Implementation

Jan Swiatkowski

Tato práce se zabývá metodikou mapování a spuštění prakticky uplatnitelných optimalizačních úloh jako Exact Set Cover, Knapsack, SAT na kvantových počítačích. Na rozdíl od klasických počítačů, které pracují s bity, využívají kvantové počítače kvantové qubity a jevy jako superpozice a provázanost, což jim umožňuje paralelně prohledávat rozsáhlé stavové prostory. Jsou proto vhodné zejména pro řešení složitých kombinatorických problémů, kde klasické algoritmy narážejí na výpočetní limity.Jádrem práce je hybridní solver pro problém Exact Set Cover využívající strategii Branch-and-Bound. V jejím rámci jsou selektivně generovány kvantové obvody založené na Groverově algoritmu pro relevantní podproblémy. Groverův algoritmus poskytuje kvadratické zrychlení pro nestrukturované prohledávání, což je důležité pro nalezení konfigurací. S ohledem na omezení současné generace hardwaru NISQ práce obsahuje komparativní analýzu výsledků ze simulátorů a reálných systémů IQM Star24 a IBM Marrakesh (Heron R2), včetně porovnání frameworků Qrisp a Qiskit. Výsledky těchto implementací optimalizačních úloh byly zhodnoceny pomocí Z-Score a byly porovnány požadavky daných kvantových obvodů pro experimentální instance problémů daných úloh. Dále byly provedeny experimenty zhodnocující prahovou hloubku kvantového obvodu, kdy se stane očekávaný výsledek obvodu nerozlišitelným. K potlačení šumu byla využita technika Matrix-free Measurement Mitigation (M3).Práce je zakončena praktickou metodickou příručkou pro vývoj hybridních kvantově-klasických aplikací. Také diskutuje výhody integrace kvantového počítače se superpočítačem v jedné fyzické lokaci a koordinaci alokace jejich zdrojů.

•Jan 1, 2026•0 citations

Programming quantum computers

Vlastimil Hudeček

Díky rychlému vývoji kvantových počítačů v nedávné době, narůstá zájem o kvantové algoritmy a jejich využití. V prvních kapitolách této práce je podán stručný úvod do tématu kvantové výpočetní techniky a algoritmů. Dále jsou v nich shrnuty principy, vlastnosti a použití dvou významných kvantových algoritmů, variační algoritmus hledání vlastních čísel (VQE) a kvantový aproximační optimalizační algoritmus (QAOA). V dalších kapitolách jsou nastíněny v současné době dostupné softwarové nástroje pro vývoj kvantových programů, důraz je zde kladen na SDK Qiskit od IBM. Poslední část práce se věnuje implementaci zkoumaných algoritmů.

•Jan 27, 2023•0 citations

Programming and simulation with quantum computers

Jiří Viták

Přestože kvantové počítače, které mohou překonat konvenční počítače, jsou stále ve vývoji, je pro přípravu na budoucnost kvantové výpočetní techniky zásadní, abychom pokročili v porozumění a vývoji kvantových algoritmů. Tento bakalářský projekt zkoumá rozvíjející se oblast kvantového programování a simulace na aktuálně dostupných kvantových počítačích. Studujeme základy kvantového počítání a shrnujeme běžně používané principy používané v této oblasti. Teoreticky popisujeme kvantové procházky s klíčovým důrazem na varianty s diskrétním časem, které tvoří stěžejní část této práce. Dále představujeme optimalizovanou metodu pro efektivní implementaci kvantových procházek v diskrétním čase vhodnou pro současnou architekturu kvantových počítačů. Ukazujeme, že tato metoda je ve srovnání s běžnými metodami úspěšnější při zkoumání aspektů souvisejících s kvantovými procházkami, jako je dynamika šíření a dokonalý přenos stavu.

•Aug 21, 2024•0 citations

Variational Quantum Algorithms

Michálek, Jan

Efektivita trénování Variačních Kvantových Algoritmů (VKA) závisí především na složitostí geometrie ztrátové funkce. Tyto takzvané ztrátové krajiny lze převést na náhodná pole na varietách. Místo samotných VKA pak můžeme studovat odpovídající náhodná pole, v našem případě Wishartova Hypertoroidální Náhodná Pole (WHNP). Zajímá nás především distribuce kritických bodů (zejména lokálních minim) těchto WHNP. Za tímto účelem je představena, přeformulována a numericky nasimulována Kac-Riceova formule. Zjištěné výsledky ukazují fázový přechod v distribuci lokálních minim. Za určitou prahovou hodnotou se lokální minima koncentrují v blízkosti globálního minima vzhledek k funkční hodnotě, což znamená, že i lokální minima představují dobré aproximace toho globálního. Tento práh je určen poměrem mezi počtem stupňů volnosti problémového Hamiltoniánu a počtem nezávislých parametrů ve VQA. Parametr stupňů volnosti se bohužel zyšuje exponenciálně vzhledem k velikosti problému. Proto je potřeba využít symetrií v Hamiltoniánu a pomocí nich zredukovat počet jeho stupňů volnosti. To nám následně pomůže snížit i zmíněné prahové hodnoty pro dosažení lepší trénovatelnosti.

•Jan 1, 2026•0 citations
Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po- tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan- tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení, např. k problému pustých plání. V této práci se snažíme s těmito problémy vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek- tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in- formace získané rozkladem na dynamické módy.
Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.
Použitelnost mnohých kvantových algoritmů závisí na možnosti připravit vhodný kvantový stav, na němž bude algoritmus vyhodnocen. Toto platí zejména pro kvantové strojové učení, kde datové sady (které mohou být velké) musí být kvantovému zařízení předány skrz přípravu stavu. Avšak NISQ zařízení (kvantové počítače současné doby) trpí šumem, tudíž kvalita výsledku se značně zhoršuje s počtem hradel. Toto činí exaktní metody přípravy stavu nepoužitelnými pro větší počet qubitů kvůli exponenciální hloubce jejich obvodů. V této práci zkoumáme možnost připravování kvantových stavů aproximativně za účelem snížení vlivu šumu, přičemž se omezujeme na metody, které nepoužívají pomocné qubity. Vyhodnocujeme a porovnáváme tři existující metody přípravy stavu: zaprvé, známou exaktní metodu založenou na uniformně řízených rotacích; zadruhé, navrhnutou aproximativní metodu využívající Schmidtův rozklad; zatřetí, přetvoříme VQE do techniky pro přípravu stavu. Tyto tři metody vyhodnocujeme na simulátorech se šumem. Naše výsledky sestávají ze zevrubné teoretické diskuze těchto algoritmů, velké datové sady výsledků experimentů, a důkladné diskuze těchto výsledků doprovázené mnohými vizualizacemi.
Tato práce se zabývá metodikou mapování a spuštění prakticky uplatnitelných optimalizačních úloh jako Exact Set Cover, Knapsack, SAT na kvantových počítačích. Na rozdíl od klasických počítačů, které pracují s bity, využívají kvantové počítače kvantové qubity a jevy jako superpozice a provázanost, což jim umožňuje paralelně prohledávat rozsáhlé stavové prostory. Jsou proto vhodné zejména pro řešení složitých kombinatorických problémů, kde klasické algoritmy narážejí na výpočetní limity.Jádrem práce je hybridní solver pro problém Exact Set Cover využívající strategii Branch-and-Bound. V jejím rámci jsou selektivně generovány kvantové obvody založené na Groverově algoritmu pro relevantní podproblémy. Groverův algoritmus poskytuje kvadratické zrychlení pro nestrukturované prohledávání, což je důležité pro nalezení konfigurací. S ohledem na omezení současné generace hardwaru NISQ práce obsahuje komparativní analýzu výsledků ze simulátorů a reálných systémů IQM Star24 a IBM Marrakesh (Heron R2), včetně porovnání frameworků Qrisp a Qiskit. Výsledky těchto implementací optimalizačních úloh byly zhodnoceny pomocí Z-Score a byly porovnány požadavky daných kvantových obvodů pro experimentální instance problémů daných úloh. Dále byly provedeny experimenty zhodnocující prahovou hloubku kvantového obvodu, kdy se stane očekávaný výsledek obvodu nerozlišitelným. K potlačení šumu byla využita technika Matrix-free Measurement Mitigation (M3).Práce je zakončena praktickou metodickou příručkou pro vývoj hybridních kvantově-klasických aplikací. Také diskutuje výhody integrace kvantového počítače se superpočítačem v jedné fyzické lokaci a koordinaci alokace jejich zdrojů.
Díky rychlému vývoji kvantových počítačů v nedávné době, narůstá zájem o kvantové algoritmy a jejich využití. V prvních kapitolách této práce je podán stručný úvod do tématu kvantové výpočetní techniky a algoritmů. Dále jsou v nich shrnuty principy, vlastnosti a použití dvou významných kvantových algoritmů, variační algoritmus hledání vlastních čísel (VQE) a kvantový aproximační optimalizační algoritmus (QAOA). V dalších kapitolách jsou nastíněny v současné době dostupné softwarové nástroje pro vývoj kvantových programů, důraz je zde kladen na SDK Qiskit od IBM. Poslední část práce se věnuje implementaci zkoumaných algoritmů.
Přestože kvantové počítače, které mohou překonat konvenční počítače, jsou stále ve vývoji, je pro přípravu na budoucnost kvantové výpočetní techniky zásadní, abychom pokročili v porozumění a vývoji kvantových algoritmů. Tento bakalářský projekt zkoumá rozvíjející se oblast kvantového programování a simulace na aktuálně dostupných kvantových počítačích. Studujeme základy kvantového počítání a shrnujeme běžně používané principy používané v této oblasti. Teoreticky popisujeme kvantové procházky s klíčovým důrazem na varianty s diskrétním časem, které tvoří stěžejní část této práce. Dále představujeme optimalizovanou metodu pro efektivní implementaci kvantových procházek v diskrétním čase vhodnou pro současnou architekturu kvantových počítačů. Ukazujeme, že tato metoda je ve srovnání s běžnými metodami úspěšnější při zkoumání aspektů souvisejících s kvantovými procházkami, jako je dynamika šíření a dokonalý přenos stavu.
Efektivita trénování Variačních Kvantových Algoritmů (VKA) závisí především na složitostí geometrie ztrátové funkce. Tyto takzvané ztrátové krajiny lze převést na náhodná pole na varietách. Místo samotných VKA pak můžeme studovat odpovídající náhodná pole, v našem případě Wishartova Hypertoroidální Náhodná Pole (WHNP). Zajímá nás především distribuce kritických bodů (zejména lokálních minim) těchto WHNP. Za tímto účelem je představena, přeformulována a numericky nasimulována Kac-Riceova formule. Zjištěné výsledky ukazují fázový přechod v distribuci lokálních minim. Za určitou prahovou hodnotou se lokální minima koncentrují v blízkosti globálního minima vzhledek k funkční hodnotě, což znamená, že i lokální minima představují dobré aproximace toho globálního. Tento práh je určen poměrem mezi počtem stupňů volnosti problémového Hamiltoniánu a počtem nezávislých parametrů ve VQA. Parametr stupňů volnosti se bohužel zyšuje exponenciálně vzhledem k velikosti problému. Proto je potřeba využít symetrií v Hamiltoniánu a pomocí nich zredukovat počet jeho stupňů volnosti. To nám následně pomůže snížit i zmíněné prahové hodnoty pro dosažení lepší trénovatelnosti.