Fugu-MT 論文翻訳(概要): Entanglement Structure Detection via Machine Learning

論文の概要: Entanglement Structure Detection via Machine Learning

arxiv url: http://arxiv.org/abs/2012.00526v2
Date: Sat, 12 Dec 2020 12:58:50 GMT
ステータス: 処理完了
システム内更新日: 2023-04-22 12:08:39.465910
Title: Entanglement Structure Detection via Machine Learning
Title（参考訳）: 機械学習による絡み合い構造検出
Authors: Changbo Chen, Changliang Ren, Hongqing Lin, and He Lu
Abstract要約: 本研究では,絡み合いと深さを同時に予測するための機械学習に基づく効率的な手法を提案する。特に、学習した分類器は、ノイズGHZ状態に対する絡み合いや深さ境界を検出することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting the entanglement structure, such as intactness and depth, of an n-qubit state is important for understanding the imperfectness of the state preparation in experiments. However, identifying such structure usually requires an exponential number of local measurements. In this letter, we propose an efficient machine learning based approach for predicting the entanglement intactness and depth simultaneously. The generalization ability of this classifier has been convincingly proved, as it can precisely distinguish the whole range of pure generalized GHZ states which never exist in the training process. In particular, the learned classifier can discover the entanglement intactness and depth bounds for the noised GHZ state, for which the exact bounds are only partially known.
Abstract（参考訳）: nビット状態の無傷性や深さなどの絡み合い構造を検出することは、実験における状態準備の不完全性を理解する上で重要である。しかし、そのような構造を特定するには、通常は指数関数的な局所的な測定が必要となる。本稿では,絡み合いと深さを同時に予測する,効率的な機械学習に基づく手法を提案する。この分類器の一般化能力は、訓練過程に存在しない純粋な一般化GHZ状態の全範囲を正確に区別できるため、説得力のある証明がなされている。特に、学習した分類器は、正確な境界が部分的にしか知られていないノイズ付きGHZ状態の絡み目や深さ境界を発見することができる。

関連論文リスト

Bounding the Sample Fluctuation for Pure States Certification with Local Random Measurement [4.923287660970805]
ランダム化計測技術の最近の進歩は、この分野に新たな洞察をもたらした。ランダム局所ハール測定により純粋量子状態の証明を行うスキームの基本特性について検討する。その結果,演算子の複雑性と量子アルゴリズムの効率との本質的な相互作用が明らかになり,長距離絡み付き純粋状態の局所的認証の障害となった。
論文参考訳（メタデータ） (2024-10-22T02:26:44Z)
Towards Demystifying the Generalization Behaviors When Neural Collapse Emerges [132.62934175555145]
Neural Collapse(NC)は、トレーニング末期(TPT)におけるディープニューラルネットワークのよく知られた現象である本稿では,列車の精度が100%に達した後も,継続訓練がテストセットの精度向上に繋がる理由を理論的に説明する。我々はこの新たに発見された性質を「非保守的一般化」と呼ぶ。
論文参考訳（メタデータ） (2023-10-12T14:29:02Z)
Data-driven criteria for quantum correlations [0.0]
3ビットシステムにおける相関を検出する機械学習モデルを構築した。提案した検出器は、量子相関の弱い形式、すなわち量子不協和を、絡み合いよりもはるかによく識別する。
論文参考訳（メタデータ） (2023-07-20T17:59:59Z)
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)
On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
論文参考訳（メタデータ） (2022-07-01T17:58:29Z)
Constraining Gaussian processes for physics-informed acoustic emission mapping [0.0]
本稿では,物理インフォームドガウシアン法による音響放射マップの学習について考察する。提案手法は,データ収集の負担を著しく低減し,境界条件知識の導入が予測精度を著しく向上させることを示す。
論文参考訳（メタデータ） (2022-06-03T10:42:57Z)
Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
論文参考訳（メタデータ） (2022-03-12T22:40:43Z)
Learning entanglement breakdown as a phase transition by confusion [0.0]
我々は「混乱による学習」として知られる機械学習技術を用いて絡み合いの分解を明らかにするアプローチを開発する。提案手法は,正部分転位(PPT)を伴う絡み合った状態を含む,様々な状態に対する正しい回答を提供する。また、ノイズのある中間スケール量子(NISQ)デバイスにおける絡み合いの分解を研究するのに適した、より実用的な方法を提案する。
論文参考訳（メタデータ） (2022-02-01T11:41:18Z)
Non-standard entanglement structure of local unitary self-dual models as a saturated situation of repeatability in general probabilistic theories [61.12008553173672]
量子合成系の無限構造の存在を示し、局所ユニタリ対称性を持つ自己双対であることを示す。また、構造中の非直交状態が完全に区別可能であるような量子合成系の構造の存在を示す。
論文参考訳（メタデータ） (2021-11-29T23:37:58Z)
From observations to complexity of quantum states via unsupervised learning [0.0]
自動エンコーダニューラルネットワークを用いた教師なし学習を用いて、時間進化状態の局所的複雑さを検出する。我々のアプローチは、(ノイズの多い)量子シミュレータから得られたデータに対して理想的な診断ツールである。
論文参考訳（メタデータ） (2021-02-22T19:44:55Z)
Towards Understanding Ensemble, Knowledge Distillation and Self-Distillation in Deep Learning [93.18238573921629]
本研究では,学習モデルのアンサンブルがテスト精度を向上させる方法と,アンサンブルの優れた性能を単一モデルに蒸留する方法について検討する。深層学習におけるアンサンブル/知識蒸留は,従来の学習理論とは大きく異なる。また, 自己蒸留は, アンサンブルと知識蒸留を暗黙的に組み合わせて, 試験精度を向上させることができることを示した。
論文参考訳（メタデータ） (2020-12-17T18:34:45Z)

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。