Fugu-MT 論文翻訳(概要): Neural Networks for Quantum Inverse Problems

論文の概要: Neural Networks for Quantum Inverse Problems

arxiv url: http://arxiv.org/abs/2005.01540v2
Date: Sun, 17 Jan 2021 14:13:26 GMT
ステータス: 処理完了
システム内更新日: 2023-05-21 05:14:25.328553
Title: Neural Networks for Quantum Inverse Problems
Title（参考訳）: 量子逆問題のためのニューラルネットワーク
Authors: Ningping Cao, Jie Xie, Aonan Zhang, Shi-Yao Hou, Lijian Zhang, and Bei Zeng
Abstract要約: 量子逆問題(Quantum Inverse Problem, QIP)は、未知の量子系を測定値から推定する問題である。本稿では,古典的手法として広く研究されているQIPのニューラルネットワークに基づく手法を提案する。本手法は, 数値実験と量子光学実験の両方において高い忠実度, 効率, 堅牢性が得られる。
参考スコア（独自算出の注目度）: 7.177969023041846
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum Inverse Problem (QIP) is the problem of estimating an unknown quantum system $\rho$ from a set of measurements, whereas the classical counterpart is the Inverse Problem of estimating a distribution from a set of observations. In this paper, we present a neural network based method for QIPs, which has been widely explored for its classical counterpart. The proposed method utilizes the quantum-ness of the QIPs and takes advantage of the computational power of neural networks to achieve higher efficiency for the quantum state estimation. We test the method on the problem of Maximum Entropy Estimation of an unknown state $\rho$ from partial information. Our method yields high fidelity, efficiency and robustness for both numerical experiments and quantum optical experiments.
Abstract（参考訳）: 量子逆問題(Quantum Inverse Problem, QIP)とは、未知の量子系を測定値から$\rho$で推定する問題である。本稿では,古典的手法として広く研究されているQIPのニューラルネットワークに基づく手法を提案する。提案手法は、QIPの量子性を利用して、ニューラルネットワークの計算能力を利用して、量子状態推定の効率を高める。部分的情報から未知の状態$\rho$の最大エントロピー推定問題に対して,本手法を検証した。本手法は, 数値実験と量子光学実験の両方において高い忠実性, 効率性, 頑健性をもたらす。

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)
Unsupervised Random Quantum Networks for PDEs [0.0]
PINNは、微分演算子と関連する境界条件を満たすように訓練されたディープニューラルネットワークの助けを借りて、PDEの解を近似する。我々はこのアイデアを量子コンピューティング領域で再考し、パラメータ化されたランダム量子回路を試行的な解として用いた。ランダムな量子ネットワークは、従来の量子ネットワークやランダムな古典的ネットワークよりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-21T10:25:52Z)
Estimating Quantum Mutual Information Through a Quantum Neural Network [0.8988769052522807]
量子相互情報ニューラル推定(QMINE)と呼ばれる量子機械学習の手法を提案する。 QMINEはフォン・ノイマンエントロピーと量子相互情報(英語版)を推定し、量子情報理論の基本的な性質である。数値観測はQDVRの予測を支援し,QMINEの性能を実証する。
論文参考訳（メタデータ） (2023-06-26T10:26:45Z)
Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
論文参考訳（メタデータ） (2023-04-18T11:57:15Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
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)
Model-Independent Error Mitigation in Parametric Quantum Circuits and Depolarizing Projection of Quantum Noise [1.5162649964542718]
与えられたハミルトニアンの基底状態と低い励起を見つけることは、物理学の多くの分野において最も重要な問題の一つである。 Noisy Intermediate-Scale Quantum (NISQ) デバイス上の量子コンピューティングは、そのような計算を効率的に実行する可能性を提供する。現在の量子デバイスは、今でも固有の量子ノイズに悩まされている。
論文参考訳（メタデータ） (2021-11-30T16:08:01Z)
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)
Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文参考訳（メタデータ） (2021-04-30T20:38:41Z)
An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文参考訳（メタデータ） (2020-05-06T14:18:44Z)
Quantum Stochastic Walk Models for Quantum State Discrimination [6.85316573653194]
量子ウォーク(QSW)は、量子ウォークと古典的ランダムウォークの両方の一般化を可能にする。このようなシステムにおける量子状態判別の問題を考慮し、ネットワークトポロジの重みを最適化することで解決する。
論文参考訳（メタデータ） (2020-03-30T08:07:12Z)

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。