論文の概要: Attention-based Quantum Tomography
- arxiv url: http://arxiv.org/abs/2006.12469v3
- Date: Wed, 3 Nov 2021 23:33:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:49:03.936861
- Title: Attention-based Quantum Tomography
- Title（参考訳）: 注意に基づく量子トモグラフィー
- Authors: Peter Cha, Paul Ginsparg, Felix Wu, Juan Carrasquilla, Peter L.
McMahon, Eun-Ah Kim
- Abstract要約: Attention-based Quantum Tomography は、アテンション機構に基づく生成ネットワークを用いた量子状態再構成である。
AQTは、IBMQ量子コンピュータで実験的に実現されたノイズ量子状態に関連する密度行列を正確に再構成可能であることを示す。
- 参考スコア（独自算出の注目度）: 9.818293236208413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With rapid progress across platforms for quantum systems, the problem of
many-body quantum state reconstruction for noisy quantum states becomes an
important challenge. Recent works found promise in recasting the problem of
quantum state reconstruction to learning the probability distribution of
quantum state measurement vectors using generative neural network models. Here
we propose the "Attention-based Quantum Tomography" (AQT), a quantum state
reconstruction using an attention mechanism-based generative network that
learns the mixed state density matrix of a noisy quantum state. The AQT is
based on the model proposed in "Attention is all you need" by Vishwani et al
(2017) that is designed to learn long-range correlations in natural language
sentences and thereby outperform previous natural language processing models.
We demonstrate not only that AQT outperforms earlier neural-network-based
quantum state reconstruction on identical tasks but that AQT can accurately
reconstruct the density matrix associated with a noisy quantum state
experimentally realized in an IBMQ quantum computer. We speculate the success
of the AQT stems from its ability to model quantum entanglement across the
entire quantum system much as the attention model for natural language
processing captures the correlations among words in a sentence.
- Abstract（参考訳）: 量子システムのためのプラットフォーム全体の急速な進歩により、ノイズ量子状態に対する多体量子状態再構成の問題が重要な課題となっている。
最近の研究は、生成型ニューラルネットワークモデルを用いて量子状態計測ベクトルの確率分布を学習するために量子状態再構成の問題を再キャストする可能性を見出した。
本稿では,ノイズ量子状態の混合状態密度行列を学習する注意機構に基づく生成ネットワークを用いた量子状態再構成手法"attention-based quantum tomography"(aqt)を提案する。
AQT は Vishwani et al (2017) が提案した "Attention is all you need" モデルに基づいている。
我々は、AQTが従来のニューラルネットワークベースの量子状態再構成よりも優れているだけでなく、IBMQ量子コンピュータで実験的に実現されたノイズ量子状態に関連する密度行列を正確に再構成できることを実証する。
AQTの成功は、自然言語処理の注意モデルが文中の単語間の相関を捉えるのと同様に、量子システム全体の量子絡み合いをモデル化する能力に起因していると推測する。
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) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Tomography of Quantum States from Structured Measurements via
quantum-aware transformer [12.506858276895915]
量子状態のキャラクタリゼーションのための量子計測の構造について検討する。
我々は、測定周波数と密度行列の複雑な関係を捉えるために、量子認識変換器(QAT)モデルを設計する。
特に、アーキテクチャにおける量子演算子をクエリして、量子データの情報表現を容易にする。
論文 参考訳（メタデータ） (2023-05-09T13:22:13Z) - 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Reconstructing Quantum States Using Basis-Enhanced Born Machines [0.0]
ボルンマシンは2つのパウリ測度ベースのみからの射影測定を用いて純粋量子状態の再構成を行うことができることを示す。
我々は、基礎強化されたボルン機械を実装し、ライドバーグ原子の1次元鎖の位相図の上の基底状態を学ぶ。
このモデルは量子相関と異なる観測値を正確に予測し、システムサイズは37量子ビットとみなす。
論文 参考訳（メタデータ） (2022-06-02T19:52:38Z) - Quantum Self-Attention Neural Networks for Text Classification [8.975913540662441]
量子自己アテンションニューラルネットワーク(QSANN)と呼ばれる,新しいシンプルなネットワークアーキテクチャを提案する。
本稿では,量子ニューラルネットワークに自己アテンション機構を導入し,ガウス射影量子自己アテンションを自己アテンションの有感な量子バージョンとして活用する。
提案手法は低レベル量子雑音に対するロバスト性を示し,量子ニューラルネットワークアーキテクチャに対するレジリエンスを示す。
論文 参考訳（メタデータ） (2022-05-11T16:50:46Z) - Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。
提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
論文 参考訳（メタデータ） (2022-05-05T03:49:19Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:32:57Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Reconstructing quantum states with quantum reservoir networks [4.724825031148412]
我々は貯水池計算の枠組みに基づく量子状態トモグラフィープラットフォームを導入する。
量子ニューラルネットワークを形成し、任意の量子状態を再構築するための包括的なデバイスとして機能する。
論文 参考訳（メタデータ） (2020-08-14T14:01:55Z)
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。