論文の概要: Classification and reconstruction of optical quantum states with deep neural networks

• arxiv url: http://arxiv.org/abs/2012.02185v1
• Date: Thu, 3 Dec 2020 18:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:40:12.154657
• Title: Classification and reconstruction of optical quantum states with deep neural networks
• Title（参考訳）: ディープニューラルネットワークを用いた光量子状態の分類と再構成
• Authors: Shahnawaz Ahmed, Carlos S\'anchez Mu\~noz, Franco Nori, Anton Frisk Kockum
• Abstract要約: 我々は、量子状態の分類と再構成にディープ・ニューラル・ネットワーク技術を適用した。 ノイズの有無やデータが少ない場合でも,高い分類精度と再現率を示す。 我々は,条件付き生成対向ネットワーク(QST-CGAN)を用いた[arXiv:2008.03240]QST手法のさらなる実演を行う。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We apply deep-neural-network-based techniques to quantum state classification and reconstruction. We demonstrate high classification accuracies and reconstruction fidelities, even in the presence of noise and with little data. Using optical quantum states as examples, we first demonstrate how convolutional neural networks (CNNs) can successfully classify several types of states distorted by, e.g., additive Gaussian noise or photon loss. We further show that a CNN trained on noisy inputs can learn to identify the most important regions in the data, which potentially can reduce the cost of tomography by guiding adaptive data collection. Secondly, we demonstrate reconstruction of quantum-state density matrices using neural networks that incorporate quantum-physics knowledge. The knowledge is implemented as custom neural-network layers that convert outputs from standard feedforward neural networks to valid descriptions of quantum states. Any standard feed-forward neural-network architecture can be adapted for quantum state tomography (QST) with our method. We present further demonstrations of our proposed [arXiv:2008.03240] QST technique with conditional generative adversarial networks (QST-CGAN). We motivate our choice of a learnable loss function within an adversarial framework by demonstrating that the QST-CGAN outperforms, across a range of scenarios, generative networks trained with standard loss functions. For pure states with additive or convolutional Gaussian noise, the QST-CGAN is able to adapt to the noise and reconstruct the underlying state. The QST-CGAN reconstructs states using up to two orders of magnitude fewer iterative steps than a standard iterative maximum likelihood (iMLE) method. Further, the QST-CGAN can reconstruct both pure and mixed states from two orders of magnitude fewer randomly chosen data points than iMLE.
• Abstract（参考訳）: 量子状態の分類と再構成にディープニューラルネットワークに基づく手法を適用する。 ノイズの存在下でも,データ量が少なく,高い分類精度と再構成能力を示す。 光学量子状態を例として、まず畳み込みニューラルネットワーク(CNN)が、加法的ガウスノイズや光子損失などによって歪んだ複数の状態の分類に成功していることを示す。 さらに,ノイズのある入力を訓練したcnnは,データ中の最も重要な領域を識別することを学び,適応的データ収集を導くことで,トモグラフィのコストを低減できることを示した。 次に,量子物理知識を組み込んだニューラルネットワークを用いて,量子状態密度行列の再構成を示す。 この知識は、標準フィードフォワードニューラルネットワークからの出力を量子状態の有効な記述に変換するカスタムニューラルネットワーク層として実装されている。 任意の標準フィードフォワードニューラルネットワークアーキテクチャを量子状態トモグラフィ(qst)に適用することができる。 本稿では,条件付き生成対向ネットワーク(QST-CGAN)を用いた [arXiv:2008.03240] QST手法のさらなる実演を行う。 学習可能な損失関数の選択は,QST-CGANが,標準的な損失関数で訓練された生成ネットワークにおいて,様々なシナリオにおいて,より優れた性能を発揮することを実証することによって動機づける。 加法的あるいは畳み込み的なガウス雑音を持つ純粋な状態の場合、QST-CGANはノイズに適応し、基礎となる状態を再構築することができる。 QST-CGANは、標準イテレーティブ最大可能性 (iMLE) 法よりも最大で2桁少ない反復ステップを用いて状態を再構成する。 さらに、QST−CGANは、iMLEよりも桁違いに選択された2つのデータポイントから純粋な状態と混合状態の両方を再構成することができる。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Quantum State Reconstruction in a Noisy Environment via Deep Learning [0.9012198585960443]
  未知のノイズチャネルによって崩壊した量子状態の再構成と分類のタスクについて検討する。 このような手法が,99%以上の忠実度で回復できることを示す。 また、異なる量子ノイズチャネルを区別するタスクも検討し、ニューラルネットワークベースの分類器が、そのような分類問題を正確な精度で解決できることを示す。
  論文  参考訳（メタデータ） (2023-09-21T10:03:30Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Neural-Shadow Quantum State Tomography [0.0]
  ニューラルシャドウ量子状態トモグラフィー (NSQST) は、代替のニューラルネットワークベースの量子状態トモグラフィープロトコルである。 対象状態の古典的影を用いて不忠実さを推定する。 NSQSTは、誤差を緩和することなく、様々な種類のノイズに対して堅牢である。
  論文  参考訳（メタデータ） (2023-05-01T20:23:57Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Neural-network quantum state tomography [0.0]
  我々は、量子状態トモグラフィーへのニューラルネットワーク技術の適用を再考する。 我々は、標準フィードフォワードニューラルネットワークからの出力を量子状態の有効な記述に変換する訓練されたネットワークで、正の制約をうまく実装できることを確認した。
  論文  参考訳（メタデータ） (2022-06-14T10:37:54Z)
• DeepQMLP: A Scalable Quantum-Classical Hybrid DeepNeural Network Architecture for Classification [6.891238879512672]
  量子機械学習(QML)は、従来の機械学習(ML)タスクの潜在的なスピードアップと改善を約束している。 本稿では、古典的なディープニューラルネットワークアーキテクチャにインスパイアされたスケーラブルな量子古典ハイブリッドニューラルネットワーク(DeepQMLP)アーキテクチャを提案する。 DeepQMLPは、ノイズ下での推論において、最大25.3%の損失と7.92%の精度を提供する。
  論文  参考訳（メタデータ） (2022-02-02T15:29:46Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• Quantum State Tomography with Conditional Generative Adversarial Networks [0.7646713951724009]
  量子状態トモグラフィー(QST)に条件付き生成逆数ネットワーク(CGAN)を適用する。 CGANフレームワークでは、2つのデュエルニューラルネットワーク、ジェネレータと識別器がデータからマルチモーダルモデルを学ぶ。 我々のQST-CGANは、標準最大化法よりもはるかに高速で、しかも少ないデータで光量子状態を再構成することを示した。
  論文  参考訳（メタデータ） (2020-08-07T15:58:50Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。