Evolutionäre Optimierung von Variationellen Quantum Circuits mit Hoher Genauigkeit und Minimaler Anzahl an Parameterisierten Gattern
Abstract:
Variational Quantum Circuits (VQCs) stellen einen der vielversprechendsten Ansätze dar, um die Fähigkeiten von Quantencomputern der nahen Zukunft zu nutzen. Obwohl sie ein hohes Maß an Flexibilität und Anpassungsfähigkeit bieten, stehen VQCs vor erheblichen Herausforderungen, insbesondere in Bezug auf Trainierbarkeit und Skalierbarkeit. Um diese Einschränkungen zu überwinden, untersucht diese Arbeit den Einsatz evolutionärer Algorithmen zur automatischen Generierung von VQCs mit einer minimalen Anzahl parametrisierter Gatter. Dieser Ansatz ermöglicht eine systematische Untersuchung der Rolle, die solche Gatter bei der Optimierung von VQCs für gängige Benchmark-Probleme spielen. Die vorgeschlagene Methode wird im Zusammenhang mit einer Klassifizierungsaufgabe bewertet, wobei besonderes Augenmerk auf die Klassifizierungsgenauigkeit und die Anzahl der erforderlichen parametrisierten Gatter gelegt wird. Die Experimente wurden an zufälligen Schaltungen mit 4 und 6 Qubits mit variabler Schaltungstiefe durchgeführt. Die Ergebnisse zeigen, dass die Reduzierung der Anzahl der Parameter den Optimierungsprozess verbessert, was zu Klassifikatoren führt, die eine größere Robustheit und eine verbesserte Genauigkeit aufweisen.
Autor/in:
Tobias Daake
Betreuer:
Leo Sünkel, Maximilian Zorn, Thomas Gabor, Claudia Linnhoff-Popien
Studentische Abschlussarbeit | Veröffentlicht Oktober 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer