Fugu-MT 論文翻訳(概要): Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms

論文の概要: Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms

arxiv url: http://arxiv.org/abs/2007.04572v1
Date: Thu, 9 Jul 2020 06:08:16 GMT
ステータス: 処理完了
システム内更新日: 2023-05-10 21:34:37.048916
Title: Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms
Title（参考訳）: 機械学習アルゴリズムを用いた1次元離散時間量子ウォークパラメータの推定
Authors: Parth Rajauria, Prateek Chawla, C. M. Chandrashekar
Abstract要約: 本稿では1次元離散時間量子ウォークの進化に使用される量子コインパラメーターの推定について述べる。私たちが実装したモデルでは、これらの進化パラメータを高い精度で推定できることを示す。
参考スコア（独自算出の注目度）: 1.7396274240172125
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimation of the coin parameter(s) is an important part of the problem of implementing more robust schemes for quantum simulation using quantum walks. We present the estimation of the quantum coin parameter used for one-dimensional discrete-time quantum walk evolution using machine learning algorithms on their probability distributions. We show that the models we have implemented are able to estimate these evolution parameters to a good accuracy level. We also implement a deep learning model that is able to predict multiple parameters simultaneously. Since discrete-time quantum walks can be used as quantum simulators, these models become important when extrapolating the quantum walk parameters from the probability distributions of the quantum system that is being simulated.
Abstract（参考訳）: コインパラメータの推定は、量子ウォークを用いた量子シミュレーションのためのより堅牢なスキームを実装する問題において重要な部分である。本稿では,1次元離散時間量子ウォーク進化に使用される量子コインパラメータを,確率分布の機械学習アルゴリズムを用いて推定する。私たちが実装したモデルでは、これらの進化パラメータを高い精度で推定できることを示す。同時に複数のパラメータを予測できるディープラーニングモデルも実装しています。離散時間量子ウォークは量子シミュレータとして使用できるため、シミュレーション中の量子システムの確率分布から量子ウォークパラメータを外挿する場合、これらのモデルは重要となる。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
Dual-Capability Machine Learning Models for Quantum Hamiltonian Parameter Estimation and Dynamics Prediction [2.142387003055715]
本研究では,2つの機能を持つ機械学習モデルを提案する。観測された局所観測値の変化から時間依存のハミルトンパラメータを推定することができる。これはハミルトンのパラメータに基づいてこれらの可観測物の進化を予測することができる。
論文参考訳（メタデータ） (2024-05-22T12:21:57Z)
Simulation-assisted learning of open quantum systems [3.1003326924534482]
本稿では,マルコフ開量子系のパラメータを計測データから推定する学習手法を提案する。本手法は誤差推定と数値実験により検証した。
論文参考訳（メタデータ） (2023-07-07T22:37:42Z)
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)
An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
論文参考訳（メタデータ） (2022-05-11T12:10:52Z)
Multi-parameter quantum metrology with discrete-time quantum walks [0.0]
我々は、量子ウォーカーを、その自由度で符号化された未知のパラメータのプローブとして使用する。本研究はディラックモデルにおける電荷と質量の同時推定を含むケーススタディに適用した。
論文参考訳（メタデータ） (2021-10-05T13:25:32Z)
Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文参考訳（メタデータ） (2021-08-30T23:50:05Z)
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)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
論文参考訳（メタデータ） (2021-03-05T08:32:43Z)
Multi-qubit quantum computing using discrete-time quantum walks on closed graphs [2.781051183509143]
普遍量子計算は、連続時間と離散時間の両方の量子ウォークを用いて実現することができる。本稿では,単一粒子離散時間量子ウォークに基づくマルチキュービット計算タスクを実現するバージョンを提案する。
論文参考訳（メタデータ） (2020-04-13T14:12:05Z)

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。