論文の概要: Machine learning approach for quantum non-Markovian noise classification
- arxiv url: http://arxiv.org/abs/2101.03221v1
- Date: Fri, 8 Jan 2021 20:56:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 06:50:11.109746
- Title: Machine learning approach for quantum non-Markovian noise classification
- Title（参考訳）: 量子マルコフ雑音分類のための機械学習手法
- Authors: Stefano Martina, Stefano Gherardini, Filippo Caruso
- Abstract要約: 機械学習と人工ニューラルネットワークモデルを用いてノイズの多い量子力学を分類できることを示した。
提案手法は, 多数の実験手法の直接的応用と, 既に利用可能な雑音型中間規模量子デバイスのノイズベンチマークへの応用が期待できる。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, machine learning and artificial neural network models are
proposed for quantum noise classification in stochastic quantum dynamics. For
this purpose, we train and then validate support vector machine, multi-layer
perceptron and recurrent neural network, models with different complexity and
accuracy, to solve supervised binary classification problems. By exploiting the
quantum random walk formalism, we demonstrate the high efficacy of such tools
in classifying noisy quantum dynamics using data sets collected in a single
realisation of the quantum system evolution. In addition, we also show that for
a successful classification one just needs to measure, in a sequence of
discrete time instants, the probabilities that the analysed quantum system is
in one of the allowed positions or energy configurations, without any external
driving. Thus, neither measurements of quantum coherences nor sequences of
control pulses are required. Since in principle the training of the machine
learning models can be performed a-priori on synthetic data, our approach is
expected to find direct application in a vast number of experimental schemes
and also for the noise benchmarking of the already available noisy
intermediate-scale quantum devices.
- Abstract（参考訳）: 本稿では,確率量子力学における量子ノイズ分類のための機械学習モデルとニューラルネットワークモデルを提案する。
この目的のために、我々は、教師付きバイナリ分類問題を解決するために、サポートベクターマシン、多層パーセプトロン、リカレントニューラルネットワーク、複雑さと精度の異なるモデルを訓練し、検証する。
量子ランダムウォーク形式を活用し,量子システム進化の単一実現で収集したデータセットを用いて雑音量子力学を分類する手法の有効性を実証する。
さらに, 分類を成功させるには, 離散時間インスタントの列において, 解析された量子系が許容位置やエネルギー構成のいずれかにある確率を, 外部の駆動なしで測定するだけでよいことを示す。
したがって、量子コヒーレンスの測定や制御パルスのシーケンスは不要である。
基本的には合成データ上では機械学習モデルのトレーニングをa-prioriで行うことができるため,提案手法は多数の実験手法や,すでに利用可能な雑音中規模量子デバイスのノイズベンチマークにおいて直接適用されることが期待されている。
関連論文リスト
- Machine learning of quantum channels on NISQ devices [0.7067443325368975]
本稿では、実効量子チャネルの繰り返し動作を通じて、一般的な離散時間ダイナミクスを近似するニューラルネットワークアルゴリズムを提案する。
ibmq_ehningen量子プロセッサにおけるクロストーク効果について検討する。
論文 参考訳（メタデータ） (2024-05-21T08:44:42Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Analog quantum variational embedding classifier [8.445680783099196]
アナログ量子コンピュータを用いたゲート型変分埋め込み分類器を提案する。
性能が飽和し変動するまでのキュービット数を増やすことで分類器の性能を向上させることができる。
提案アルゴリズムは,現実的な機械学習問題を解決するために,現在の量子アニールを用いた可能性を示す。
論文 参考訳（メタデータ） (2022-11-04T20:58:48Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳（メタデータ） (2021-08-19T18:49:30Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳（メタデータ） (2020-08-17T11:56:23Z) - Noise robustness and experimental demonstration of a quantum generative
adversarial network for continuous distributions [0.5249805590164901]
連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。
また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。
我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
論文 参考訳（メタデータ） (2020-06-02T23:14:45Z) - 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。