論文の概要: Efficient Quantum State Sample Tomography with Basis-dependent Neural-networks

• arxiv url: http://arxiv.org/abs/2009.07601v3
• Date: Thu, 10 Jun 2021 14:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 00:57:38.726393
• Title: Efficient Quantum State Sample Tomography with Basis-dependent Neural-networks
• Title（参考訳）: 基底依存性ニューラルネットワークを用いた効率的な量子状態サンプルトモグラフィ
• Authors: Alistair W. R. Smith, Johnnie Gray, M. S. Kim
• Abstract要約: 測定された量子状態からデータを解析するために,メタ学習型ニューラルネットワークアプローチを用いる。 トレーニングデータに含まれない測定ベースの状態の測定を効率的にサンプリングすることができる。 これらのサンプルは期待値やその他の有用な量の計算に使用できる。
• 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: We use a meta-learning neural-network approach to analyse data from a measured quantum state. Once our neural network has been trained it can be used to efficiently sample measurements of the state in measurement bases not contained in the training data. These samples can be used calculate expectation values and other useful quantities. We refer to this process as "state sample tomography". We encode the state's measurement outcome distributions using an efficiently parameterized generative neural network. This allows each stage in the tomography process to be performed efficiently even for large systems. Our scheme is demonstrated on recent IBM Quantum devices, producing a model for a 6-qubit state's measurement outcomes with a predictive accuracy (classical fidelity) > 95% for all test cases using only 100 random measurement settings as opposed to the 729 settings required for standard full tomography using local measurements. This reduction in the required number of measurements scales favourably, with training data in 200 measurement settings yielding a predictive accuracy > 92% for a 10 qubit state where 59,049 settings are typically required for full local measurement-based quantum state tomography. A reduction in number of measurements by a factor, in this case, of almost 600 could allow for estimations of expectation values and state fidelities in practicable times on current quantum devices.
• Abstract（参考訳）: 計測された量子状態からデータを分析するために、メタラーニングニューラルネットワークアプローチを用いる。 ニューラルネットワークがトレーニングされたら、トレーニングデータに含まれていない測定ベースの状態の測定を効率的にサンプリングすることができる。 これらのサンプルは期待値などの有用な量を計算することができる。 この過程を「状態サンプルトモグラフィー」と呼ぶ。 我々は、効率的にパラメータ化された生成ニューラルネットワークを用いて、状態の測定結果分布を符号化する。 これにより、トモグラフィープロセスの各段階は大規模システムでも効率的に実行される。 提案手法は最近のIBM Quantumデバイス上で実証され, 局所測定を用いた標準フルトモグラフィに必要な729設定とは対照的に, 100個のランダム測定設定しか使用していない全てのテストケースに対して, 6量子状態の測定結果を予測精度(古典的忠実度) > 95% で生成する。 この要求された測定回数の削減は好ましく、200個の測定設定のトレーニングデータでは10量子ビット状態の予測精度が92%まで上昇し、局所的な測定ベースの量子状態トモグラフィーでは59,049個の設定が通常必要となる。 この場合、約600の因子による測定回数の削減は、現在の量子デバイス上での実践可能な時間における期待値と状態忠実度の推定を可能にする。

関連論文リスト

• Learning topological states from randomized measurements using variational tensor network tomography [0.4818215922729967]
  量子状態の忠実な表現を学ぶことは、量子プロセッサ上で生成される多体状態の多様性を完全に特徴づけるのに不可欠である。 本研究では,テンソルネットワーク上の変分最適化とランダムな計測手法を組み合わせたトモグラフィー手法の実装と検討を行う。 我々は、実験により実現可能な量子スピン液体状態と同様に、表面符号の基底状態を学ぶ能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T21:05:43Z)
• Quantum state tomography with tensor train cross approximation [84.59270977313619]
  測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。 本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
  論文  参考訳（メタデータ） (2022-07-13T17:56:28Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Deep learning of quantum entanglement from incomplete measurements [0.2493740042317776]
  ニューラルネットワークを用いることで、量子状態の完全な記述を必要とせずに、絡み合いの度合いを定量化できることを実証する。 提案手法は,不完全な局所的な測定値を用いて,量子相関の直接量子化を可能にする。 我々は,様々な測定シナリオからデータを受け取り,ある程度,測定装置から独立して実行する畳み込みネットワーク入力に基づく手法を導出する。
  論文  参考訳（メタデータ） (2022-05-03T12:55:39Z)
• Entanglement quantification from collective measurements processed by machine learning [0.0]
  解析式の代わりに,ニューラルネットワークを用いて量子状態における絡み合いの量を予測する。 本研究の目的は,一般2量子状態とその負性度をエンタングルメント量化器として考えることである。
  論文  参考訳（メタデータ） (2022-03-03T10:03:57Z)
• Flexible learning of quantum states with generative query neural networks [4.540894342435848]
  複数の量子状態にまたがる学習は、生成的クエリニューラルネットワークによって達成できることを示す。 我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
  論文  参考訳（メタデータ） (2022-02-14T15:48:27Z)
• On the Tradeoff between Energy, Precision, and Accuracy in Federated Quantized Neural Networks [68.52621234990728]
  無線ネットワーク上でのフェデレーション学習(FL)は、精度、エネルギー効率、精度のバランスをとる必要がある。 本稿では,ローカルトレーニングとアップリンク伝送の両方において,有限レベルの精度でデータを表現できる量子化FLフレームワークを提案する。 我々のフレームワークは標準的なFLモデルと比較してエネルギー消費量を最大53%削減できる。
  論文  参考訳（メタデータ） (2021-11-15T17:00:03Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)

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。

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。