論文の概要: Reservoir Computing Approach to Quantum State Measurement
- arxiv url: http://arxiv.org/abs/2011.09652v3
- Date: Mon, 3 May 2021 22:10:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 17:24:57.824819
- Title: Reservoir Computing Approach to Quantum State Measurement
- Title（参考訳）: 貯留層計算による量子状態計測
- Authors: Gerasimos Angelatos, Saeed Khan, Hakan E. T\"ureci
- Abstract要約: 貯留層計算(Reservoir computing)は、超伝導多ビット系の量子計測における資源効率の高い解である。
このデバイスを動作させて2量子状態トモグラフィーと連続パリティモニタリングを行う方法を示す。
- 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: Efficient quantum state measurement is important for maximizing the extracted
information from a quantum system. For multi-qubit quantum processors in
particular, the development of a scalable architecture for rapid and
high-fidelity readout remains a critical unresolved problem. Here we propose
reservoir computing as a resource-efficient solution to quantum measurement of
superconducting multi-qubit systems. We consider a small network of Josephson
parametric oscillators, which can be implemented with minimal device overhead
and in the same platform as the measured quantum system. We theoretically
analyze the operation of this Kerr network as a reservoir computer to classify
stochastic time-dependent signals subject to quantum statistical features. We
apply this reservoir computer to the task of multinomial classification of
measurement trajectories from joint multi-qubit readout. For a two-qubit
dispersive measurement under realistic conditions we demonstrate a
classification fidelity reliably exceeding that of an optimal linear filter
using only two to five reservoir nodes, while simultaneously requiring far less
calibration data \textendash{} as little as a single measurement per state. We
understand this remarkable performance through an analysis of the network
dynamics and develop an intuitive picture of reservoir processing generally.
Finally, we demonstrate how to operate this device to perform two-qubit state
tomography and continuous parity monitoring with equal effectiveness and ease
of calibration. This reservoir processor avoids computationally intensive
training common to other deep learning frameworks and can be implemented as an
integrated cryogenic superconducting device for low-latency processing of
quantum signals on the computational edge.
- Abstract（参考訳）: 効率的な量子状態測定は、量子システムから抽出された情報を最大化するために重要である。
特にマルチキュービット量子プロセッサでは、高速かつ高忠実な読み出しのためのスケーラブルなアーキテクチャの開発は重要な未解決問題である。
本稿では,超伝導多ビット系の量子計測における資源効率の高い解として貯水池計算を提案する。
測定された量子システムと同じプラットフォーム上で最小限のデバイスオーバーヘッドで実装できるジョセフソンパラメトリック発振器の小さなネットワークを考える。
理論上,このkerrネットワークを貯留層コンピュータとして解析し,確率的時間依存信号を量子統計学的特徴に分類する。
本研究では,この貯水池をマルチキュービット読み出しから計測軌跡を多項分類するタスクに適用する。
実環境下での2量子分散測定では,2～5つのリニアノードのみを用いた最適線形フィルタの精度を高い精度で満たし,同時に1状態当たりの1つの測定値でもより少ないキャリブレーションデータ \textendash{} を要求できる。
我々は,ネットワーク力学の分析を通じて,この顕著な性能を理解し,一般に貯水池処理の直感的な画像を作成する。
最後に,この装置を用いて2量子状態トモグラフィと連続パリティモニタリングを等価な効率とキャリブレーションの容易さで行う方法を示す。
このリザーバプロセッサは、他のディープラーニングフレームワークに共通する計算集約的なトレーニングを避け、計算エッジ上の量子信号の低遅延処理のための統合極低温超伝導デバイスとして実装することができる。
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) - Practical and Scalable Quantum Reservoir Computing [0.0]
量子貯留層計算(Quantum Reservoir Computing)は、量子システムを利用して、前例のない効率と省エネルギーで複雑な計算課題を解決する。
本稿では, 単一モード光空洞内の2レベル原子からなる量子光学貯留層を用いた新しいQRCフレームワークを提案する。
我々は,2つの主要なタスク,すなわち正方形波形の分類による時系列データの予測を通じて,貯水池の性能を評価する。
論文 参考訳（メタデータ） (2024-05-08T04:14:31Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。
このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。
精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
論文 参考訳（メタデータ） (2023-09-05T04:39:34Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Time Series Quantum Reservoir Computing with Weak and Projective
Measurements [0.0]
貯水池の量子性を利用して理想的な性能が得られることを示す。
1つは、貯水池のフェーディングメモリによって決定されるダイナミクスの巻き戻し部分と、入力シーケンスの対応するデータを記憶する。
他方は、必要なメモリを邪魔することなく、正確に情報を抽出できるトレードオフでオンラインに動作する弱い測定方法を採用している。
論文 参考訳（メタデータ） (2022-05-13T17:57:39Z) - Dispersive qubit readout with machine learning [0.08399688944263842]
オープン量子系は散逸相転移を起こすことができ、その臨界挙動はセンシングアプリケーションに利用することができる。
最近導入された測定プロトコルでは、パラメトリック(2光子駆動)のカー共振器の駆動散逸位相遷移を使い、99.9%の単一量子ビット検出忠実度に達した。
我々は、機械学習に基づく分類アルゴリズムを用いて、この臨界ダイナミクスから情報を抽出する。
論文 参考訳（メタデータ） (2021-12-10T04:25:43Z) - Physical reservoir computing using finitely-sampled quantum systems [0.0]
貯留層計算は物理貯水池の非線形力学を利用して複雑な時系列処理を行う。
ここでは、非線形量子貯水池を用いた連続測定による貯水池計算の枠組みについて述べる。
論文 参考訳（メタデータ） (2021-10-26T16:46:14Z) - Quantum process tomography with unsupervised learning and tensor
networks [0.0]
本稿では,量子プロセストモグラフィーを行う新しい手法を提案する。
チャネルのテンソルネットワーク表現と、教師なし機械学習にインスパイアされたデータ駆動最適化を組み合わせる。
私たちの結果は最先端以上のもので、現在の量子コンピュータと短期量子コンピュータで量子回路をベンチマークするための実用的でタイムリーなツールを提供しています。
論文 参考訳（メタデータ） (2020-06-03T17:54:23Z)
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。