論文の概要: Neural-network-based parameter estimation for quantum detection

• arxiv url: http://arxiv.org/abs/2012.07677v2
• Date: Thu, 12 Aug 2021 07:52:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 21:12:37.541591
• Title: Neural-network-based parameter estimation for quantum detection
• Title（参考訳）: 量子検出のためのニューラルネットワークに基づくパラメータ推定
• Authors: Yue Ban, Javier Echanobe, Yongcheng Ding, Ricardo Puebla, and Jorge Casanova
• Abstract要約: 量子検出スキームの文脈では、ニューラルネットワークは自然な遊び場を見つける。 適切にトレーニングされたニューラルネットワークは、基礎となる物理モデルに関する最小限の知識でターゲットを特徴付けることができることを示す。 我々は、この手法を171ドルYbドル+原子センサーの開発で実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial neural networks bridge input data into output results by approximately encoding the function that relates them. This is achieved after training the network with a collection of known inputs and results leading to an adjustment of the neuron connections and biases. In the context of quantum detection schemes, neural networks find a natural playground. In particular, in the presence of a target, a quantum sensor delivers a response, i.e., the input data, which can be subsequently processed by a neural network that outputs the target features. We demonstrate that adequately trained neural networks enable to characterize a target with minimal knowledge of the underlying physical model, in regimes where the quantum sensor presents complex responses, and under a significant shot noise due to a reduced number of measurements. We exemplify the method with a development for $^{171}$Yb$^{+}$ atomic sensors. However, our protocol is general, thus applicable to arbitrary quantum detection scenarios.
• Abstract（参考訳）: ニューラルネットワークは入力データを出力結果にブリッジし、それらに関連する機能をおよそエンコードする。 これは、既知の入力と結果の集合でネットワークをトレーニングした後で達成され、ニューロンの接続とバイアスの調整につながる。 量子検出スキームの文脈では、ニューラルネットワークは自然な遊び場を見つける。 特に、ターゲットの存在下では、量子センサーが応答、すなわち入力データを、ターゲット特徴を出力するニューラルネットワークによって処理することができる。 本研究では, 量子センサが複雑な応答を呈する環境において, ターゲットを最小の物理モデル知識で特徴付けし, 多数の測定値の低減による有意なショットノイズ下において, 適切に訓練されたニューラルネットワークを特徴付けることを実証する。 この方法の例を挙げると、原子センサーは$^{171}$yb$^{+}$である。 しかし,本プロトコルは一般に,任意の量子検出シナリオに適用可能である。

関連論文リスト

• Verified Neural Compressed Sensing [58.98637799432153]
  精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。 極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。 ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
  論文  参考訳（メタデータ） (2024-05-07T12:20:12Z)
• Echo-evolution data generation for quantum error mitigation via neural networks [0.0]
  本稿では,ニューラルネットワークによる量子エラー軽減のためのトレーニングデータを生成する物理動機付け手法を提案する。 この方法では、初期状態は前後に進化し、進化の終わりに初期状態に戻る。 我々は、エコー進化生成データに基づいてトレーニングされたフィードフォワード完全連結ニューラルネットワークが、フォワード・イン・タイム進化の結果を補正できることを実証した。
  論文  参考訳（メタデータ） (2023-11-01T12:40:10Z)
• Quantum Process Learning Through Neural Emulation [3.7228085662092845]
  入力アンサンブルの内部表現を構築し,未知の過程をエミュレートするニューラルネットワークを導入する。 我々のモデルは量子コンピューティング、量子フォトニクス、量子多体物理学への応用において高い精度を示す。
  論文  参考訳（メタデータ） (2023-08-17T06:53:58Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Quantum activation functions for quantum neural networks [0.0]
  情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。 この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
  論文  参考訳（メタデータ） (2022-01-10T23:55:49Z)
• 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)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Performance Bounds for Neural Network Estimators: Applications in Fault Detection [2.388501293246858]
  ニューラルネットワークの堅牢性を定量化し,モデルに基づく異常検知器の構築とチューニングを行った。 チューニングでは,通常動作で想定される誤報発生率の上限を具体的に提示する。
  論文  参考訳（メタデータ） (2021-03-22T19:23:08Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• 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)

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。