論文の概要: Neural-Network Heuristics for Adaptive Bayesian Quantum Estimation
- arxiv url: http://arxiv.org/abs/2003.02183v2
- Date: Wed, 7 Apr 2021 22:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 13:43:41.011602
- Title: Neural-Network Heuristics for Adaptive Bayesian Quantum Estimation
- Title（参考訳）: 適応ベイズ量子推定のためのニューラルネットワークヒューリスティックス
- Authors: Lukas J. Fiderer, Jonas Schuff, Daniel Braun
- Abstract要約: 進化戦略と強化学習を組み合わせることで、ニューラルネットワークを高速で強力な実験設計にすることができることを示す。
我々のニューラルネット作成法は非常に一般的であり,ベイズ更新のための順列なモンテカルロ法を補完する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum metrology promises unprecedented measurement precision but suffers in
practice from the limited availability of resources such as the number of
probes, their coherence time, or non-classical quantum states. The adaptive
Bayesian approach to parameter estimation allows for an efficient use of
resources thanks to adaptive experiment design. For its practical success fast
numerical solutions for the Bayesian update and the adaptive experiment design
are crucial. Here we show that neural networks can be trained to become fast
and strong experiment-design heuristics using a combination of an evolutionary
strategy and reinforcement learning. Neural-network heuristics are shown to
outperform established heuristics for the technologically important example of
frequency estimation of a qubit that suffers from dephasing. Our method of
creating neural-network heuristics is very general and complements the
well-studied sequential Monte-Carlo method for Bayesian updates to form a
complete framework for adaptive Bayesian quantum estimation.
- Abstract（参考訳）: 量子計測学は前例のない測定精度を約束しているが、実際にはプローブの数、コヒーレンス時間、非古典的量子状態などの資源が限られている。
パラメータ推定に対する適応ベイズアプローチは、適応実験設計による資源の効率的な利用を可能にする。
実用的成功のためには、ベイズ更新と適応実験設計のための高速数値解が不可欠である。
ここでは,進化的戦略と強化学習の組み合わせを用いて,ニューラルネットワークを高速かつ強力な実験設計ヒューリスティックに訓練できることを示す。
ニューラルネットワークのヒューリスティックは、強調に苦しむ量子ビットの周波数推定の技術的に重要な例に対して確立されたヒューリスティックよりも優れていることが示されている。
ニューラル・ネットワーク・ヒューリスティックスを作成する手法は非常に一般的であり、適応ベイズ量子推定のための完全なフレームワークを形成するためにベイズ更新のためのよく研究された逐次モンテカルロ法を補完する。
関連論文リスト
- Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - Function-Space Regularization in Neural Networks: A Probabilistic
Perspective [51.133793272222874]
所望の予測関数に関する情報をニューラルネットワークトレーニングに明示的にエンコードできる、モチベーションの高い正規化手法を導出できることが示される。
本手法の有効性を実証的に評価し,提案手法がほぼ完全なセマンティックシフト検出と高度に校正された予測不確実性推定に繋がることを示す。
論文 参考訳（メタデータ） (2023-12-28T17:50:56Z) - Enhanced quantum state preparation via stochastic prediction of neural
network [0.8287206589886881]
本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。
本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。
ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
論文 参考訳（メタデータ） (2023-07-27T09:11:53Z) - Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。
ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文 参考訳（メタデータ） (2023-04-17T14:23:43Z) - Efficient Bayes Inference in Neural Networks through Adaptive Importance
Sampling [19.518237361775533]
BNNでは、トレーニング段階で、未知の重みとバイアスパラメータの完全な後部分布が生成される。
この機能は、数え切れないほどの機械学習アプリケーションに役立ちます。
医療医療や自動運転など、意思決定に重大な影響を及ぼす分野において特に魅力的である。
論文 参考訳（メタデータ） (2022-10-03T14:59:23Z) - Deep reinforcement learning for quantum multiparameter estimation [0.0]
本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。
我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
論文 参考訳（メタデータ） (2022-09-01T18:01:56Z) - Bayesian Continual Learning via Spiking Neural Networks [38.518936229794214]
我々は,学習課題の変更に適応可能なニューロモルフィックシステムの設計に向けて一歩踏み出した。
ベイズ連続学習フレームワーク内のニューラルネットワーク(SNN)をスパイクするためのオンライン学習ルールを導出する。
実数値と二値のシナプス重みに対する提案手法のインスタンス化を行う。
論文 参考訳（メタデータ） (2022-08-29T17:11:14Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Efficient Variational Inference for Sparse Deep Learning with
Theoretical Guarantee [20.294908538266867]
スパースディープラーニングは、ディープニューラルネットワークによる巨大なストレージ消費の課題に対処することを目的としている。
本稿では,スパイク・アンド・スラブ前処理による完全ベイズ処理により,疎いディープニューラルネットワークを訓練する。
我々はベルヌーイ分布の連続緩和による計算効率の良い変分推論のセットを開発する。
論文 参考訳（メタデータ） (2020-11-15T03:27:54Z)
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。