論文の概要: From observations to complexity of quantum states via unsupervised
learning
- arxiv url: http://arxiv.org/abs/2102.11328v3
- Date: Wed, 27 Jul 2022 13:00:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 05:31:26.610630
- Title: From observations to complexity of quantum states via unsupervised
learning
- Title(参考訳): 教師なし学習による量子状態の観測から複雑性へ
- Authors: Markus Schmitt and Zala Lenar\v{c}i\v{c}
- Abstract要約: 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。
- 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: The vast complexity is a daunting property of generic quantum states that
poses a significant challenge for theoretical treatment, especially in
non-equilibrium setups. Therefore, it is vital to recognize states which are
locally less complex and thus describable with (classical) effective theories.
We use unsupervised learning with autoencoder neural networks to detect the
local complexity of time-evolved states by determining the minimal number of
parameters needed to reproduce local observations. The latter can be used as a
probe of thermalization, to assign the local complexity of density matrices in
open setups and for the reconstruction of underlying Hamiltonian operators. Our
approach is an ideal diagnostics tool for data obtained from (noisy) quantum
simulators because it requires only practically accessible local observations.
- Abstract(参考訳): 膨大な複雑性は、一般量子状態の恐ろしい性質であり、理論的な処理、特に非平衡状態において大きな課題となる。
したがって、局所的にあまり複雑ではなく、したがって(古典的な)実効理論で説明可能な状態を認識することは不可欠である。
オート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,局所観測の再現に必要な最小パラメータ数を決定することにより,時間発展状態の局所的複雑度を検出する。
後者は熱化のプローブとして、密度行列の局所的な複雑性を開なセットアップで割り当てたり、基礎となるハミルトニアン作用素の再構成に使うことができる。
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。
関連論文リスト
- Many-body entropies and entanglement from polynomially-many local
measurements [0.2796197251957244]
本研究では,大域的なエントロピーと混合状態の絡み合いを部分遷移(PT)モーメントによって推定する問題に対処する。
すべての空間相関長が有限であるという仮定のもとに効率的な推定戦略が存在することを示す。
我々は,今日の量子プラットフォームで利用可能な多数の量子ビットに対して,二分位混合状態の絡み合いを検出するのに,本手法は実用的に有用であると主張している。
論文 参考訳(メタデータ) (2023-11-14T12:13:15Z) - Sparse random Hamiltonians are quantumly easy [105.6788971265845]
量子コンピュータの候補は、量子システムの低温特性をシミュレートすることである。
本稿は、ほとんどのランダムハミルトニアンに対して、最大混合状態は十分に良い試行状態であることを示す。
位相推定は、基底エネルギーに近いエネルギーの状態を効率的に生成する。
論文 参考訳(メタデータ) (2023-02-07T10:57:36Z) - Perturbative Analysis of Quasi-periodic Patterning of Transmon Quantum
Computers: Enhancement of Many-Body Localization [0.0]
乱数障害の代用として,パラメータの準周期パターン化を提案する。
大規模で実験的なシステムサイズに対する新しいハミルトン多様体の局所化特性を研究するため、多体理論を開発した。
論文 参考訳(メタデータ) (2022-12-07T17:41:40Z) - Enhancing Detection of Topological Order by Local Error Correction [0.5025737475817937]
本稿では,誤り訂正法と再正規化群流の考え方を組み合わせることで,位相状態の定量化のための新しいパラダイムを提案する。
様々な摂動条件下でのトーリック符号の数値シミュレーションを用いてLEDのパワーを実証する。
次に、Rydberg-atomシミュレータ上に生成した量子スピン液体の新しい洞察を提供する実験的な実現に適用する。
論文 参考訳(メタデータ) (2022-09-26T05:31:04Z) - Real-Time Krylov Theory for Quantum Computing Algorithms [0.0]
リアルタイム進化によって生成された部分空間を用いた新しいアプローチは、固有状態情報抽出の効率性を示している。
本稿では,量子ハードウェア上で固有値を抽出する,コンパクトかつ効率的なリアルタイムアルゴリズムである変分量子位相推定法(VQPE)を開発した。
強相関系に対する電子構造予測などの量子計算の基本問題への応用について論じる。
論文 参考訳(メタデータ) (2022-08-01T18:00:48Z) - 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) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳(メタデータ) (2022-03-30T02:02:16Z) - Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。
観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。
我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
論文 参考訳(メタデータ) (2021-03-05T08:32:43Z) - 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) - Entanglement Structure Detection via Machine Learning [0.0]
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。
論文 参考訳(メタデータ) (2020-12-01T14:37:56Z) - Unsupervised machine learning of quantum phase transitions using
diffusion maps [77.34726150561087]
本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。
この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
論文 参考訳(メタデータ) (2020-03-16T18:40:13Z)
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。