論文の概要: Mixed State Entanglement Classification using Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2102.06053v1
• Date: Thu, 11 Feb 2021 14:59:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 14:01:39.176732
• Title: Mixed State Entanglement Classification using Artificial Neural Networks
• Title（参考訳）: 人工ニューラルネットワークを用いた混合状態エンタングルメント分類
• Authors: Cillian Harney, Mauro Paternostro, Stefano Pirandola
• Abstract要約: 分離型ニューラルネットワーク量子状態は、絡み合い特性が明示的にプログラム可能である量子状態のパラメータ化に、ニューラルネットワークにインスパイアされた。 我々は、SNNSを混合多部状態に拡張し、複雑に絡み合った量子系を研究するための汎用的で効率的なツールを提供する。
• 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: Reliable methods for the classification and quantification of quantum entanglement are fundamental to understanding its exploitation in quantum technologies. One such method, known as Separable Neural Network Quantum States (SNNS), employs a neural network inspired parameterisation of quantum states whose entanglement properties are explicitly programmable. Combined with generative machine learning methods, this ansatz allows for the study of very specific forms of entanglement which can be used to infer/measure entanglement properties of target quantum states. In this work, we extend the use of SNNS to mixed, multipartite states, providing a versatile and efficient tool for the investigation of intricately entangled quantum systems. We illustrate the effectiveness of our method through a number of examples, such as the computation of novel tripartite entanglement measures, and the approximation of ultimate upper bounds for qudit channel capacities.
• Abstract（参考訳）: 量子エンタングルメントの分類と定量化の信頼できる方法は、量子技術におけるその利用を理解するために基本的である。 そのような方法の1つは、分離可能ニューラルネットワーク量子状態(SNNS)と呼ばれ、絡み合う性質が明示的にプログラム可能である量子状態のニューラルネットワークに触発されたパラメータ化を用いる。 生成的機械学習手法と組み合わせ、このアングルは、ターゲット量子状態のエンタングルメント特性を推定/測定するために使用できる非常に特定の形態のエンタングルメントの研究を可能にする。 本研究では,多成分混合状態へのsnsの利用を拡張し,複雑に絡み合った量子システムの研究に汎用的かつ効率的なツールを提供する。 本稿では,新しい三成分絡み合い測度の計算や,quditチャネル容量に対する究極上界の近似など,多くの例を通して本手法の有効性を示す。

関連論文リスト

• Measurement-based quantum machine learning [0.0]
  量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。 マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
  論文  参考訳（メタデータ） (2024-05-14T05:17:01Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Simulating quantum circuits using the multi-scale entanglement renormalization ansatz [0.0]
  本稿では,中間サイズ量子回路の近似シミュレーションのためのスケーラブルな手法を提案する。 種々の深さを持つ27量子ビットのチェッカーボード型中間サイズ量子回路について,提案手法のベンチマークを行った。
  論文  参考訳（メタデータ） (2021-12-28T09:05:01Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• 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)
• A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks [2.962453125262748]
  量子パーセプトロンに基づく多層ニューラルネットワークのグラデーションフリー・アプローチ 我々は測定可能な演算子を用いて、マルコフプロセスと整合した方法でネットワークの状態を定義する。
  論文  参考訳（メタデータ） (2020-09-23T01:38:34Z)
• Solving Quantum Master Equations with Deep Quantum Neural Networks [0.0]
  我々は、オープンな量子多体系の混合状態を表現するために、普遍的な量子計算が可能なディープ量子フィードフォワードニューラルネットワークを使用する。 量子ネットワークの特別な構造を所有するこのアプローチは、バレン高原の欠如など、多くの注目すべき特徴を享受している。
  論文  参考訳（メタデータ） (2020-08-12T18:00:08Z)
• 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。