論文の概要: Entanglement Classification via Neural Network Quantum States
- arxiv url: http://arxiv.org/abs/1912.13207v1
- Date: Tue, 31 Dec 2019 07:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 21:38:20.886173
- Title: Entanglement Classification via Neural Network Quantum States
- Title(参考訳): ニューラルネットワーク量子状態による絡み合い分類
- Authors: Cillian Harney, Stefano Pirandola, Alessandro Ferraro, Mauro
Paternostro
- Abstract要約: 本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of classifying the entanglement properties of a multipartite quantum
state poses a remarkable challenge due to the exponentially increasing number
of ways in which quantum systems can share quantum correlations. Tackling such
challenge requires a combination of sophisticated theoretical and computational
techniques. In this paper we combine machine-learning tools and the theory of
quantum entanglement to perform entanglement classification for multipartite
qubit systems in pure states. We use a parameterisation of quantum systems
using artificial neural networks in a restricted Boltzmann machine (RBM)
architecture, known as Neural Network Quantum States (NNS), whose entanglement
properties can be deduced via a constrained, reinforcement learning procedure.
In this way, Separable Neural Network States (SNNS) can be used to build
entanglement witnesses for any target state.
- Abstract(参考訳): 多部量子状態の絡み合い特性を分類する作業は、量子システムが量子相関を共有できる方法が指数関数的に増えているために、顕著な課題となっている。
このような課題に取り組むには、洗練された理論と計算技術の組み合わせが必要である。
本稿では,機械学習ツールと量子エンタングルメント理論を組み合わせて,純粋状態における多成分量子ビット系のエンタングルメント分類を行う。
ニューラルネットワーク量子状態(nns)と呼ばれる制限付きボルツマンマシン(rbm)アーキテクチャにおいて、ニューラルネットワークを用いた量子システムのパラメータ化を行い、その絡み合い特性を制約付き強化学習手順によって推定する。
このようにして、分離可能なニューラルネットワーク状態(SNNS)を使用して、任意のターゲット状態に対する絡み合いの証人を構築することができる。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Entanglement-Assisted Quantum Networks: Mechanics, Enabling
Technologies, Challenges, and Research Directions [66.27337498864556]
本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。
ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。
また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
論文 参考訳(メタデータ) (2023-07-24T02:48:22Z) - Quantum-enhanced metrology with network states [3.0058005235097114]
我々は、大域的パラメータを推定するために量子ネットワーク状態を使用する場合の性能を制限する一般境界を証明した。
我々の研究は量子ネットワークにおける量子力学の限界と可能性の両方を確立している。
論文 参考訳(メタデータ) (2023-07-15T09:46:35Z) - Quantum machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - Learning Quantum Processes with Memory -- Quantum Recurrent Neural
Networks [0.0]
本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。
これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。
数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
論文 参考訳(メタデータ) (2023-01-19T16:58:39Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。
SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文 参考訳(メタデータ) (2022-08-04T20:35:03Z) - An unsupervised feature learning for quantum-classical convolutional
network with applications to fault detection [5.609958919699706]
本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。
提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
論文 参考訳(メタデータ) (2021-07-17T03:16:59Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - Mixed State Entanglement Classification using Artificial Neural Networks [0.0]
分離型ニューラルネットワーク量子状態は、絡み合い特性が明示的にプログラム可能である量子状態のパラメータ化に、ニューラルネットワークにインスパイアされた。
我々は、SNNSを混合多部状態に拡張し、複雑に絡み合った量子系を研究するための汎用的で効率的なツールを提供する。
論文 参考訳(メタデータ) (2021-02-11T14:59:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。