Fugu-MT 論文翻訳(概要): Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space

論文の概要: Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space

arxiv url: http://arxiv.org/abs/2102.12142v1
Date: Wed, 24 Feb 2021 09:08:15 GMT
ステータス: 処理完了
システム内更新日: 2021-02-26 06:45:51.796571
Title: Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space
Title（参考訳）: 量子位相空間における機械学習によるガウスボソンサンプリングと多粒子イベント最適化
Authors: Claudio Conti
Abstract要約: 量子位相空間における多体ガウス状態の特性関数を表現するためにニューラルネットワークを用いる。自動微分によるボソンパターンの確率を計算する。この結果は、量子技術のための新しいソースと複雑な回路の作成に潜在的に有用である。
参考スコア（独自算出の注目度）: 0.11421942894219898
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We use neural networks to represent the characteristic function of many-body Gaussian states in the quantum phase space. By a pullback mechanism, we model transformations due to unitary operators as linear layers that can be cascaded to simulate complex multi-particle processes. We use the layered neural networks for non-classical light propagation in random interferometers, and compute boson pattern probabilities by automatic differentiation. We also demonstrate that multi-particle events in Gaussian boson sampling can be optimized by a proper design and training of the neural network weights. The results are potentially useful to the creation of new sources and complex circuits for quantum technologies.
Abstract（参考訳）: 量子位相空間における多体ガウス状態の特性関数を表現するためにニューラルネットワークを用いる。引き戻し機構により、複雑な多粒子過程をシミュレートできる線形層として、ユニタリ演算子による変換をモデル化する。我々は,ランダム干渉計における非古典的光伝播に階層型ニューラルネットワークを用い,自動微分によるボソンパターン確率を計算する。また,gaussian bosonサンプリングにおける多粒子イベントをニューラルネットワーク重みの適切な設計とトレーニングによって最適化できることを実証する。この結果は、量子技術のための新しいソースと複雑な回路の作成に潜在的に有用である。

関連論文リスト

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
Enhancing the expressivity of quantum neural networks with residual connections [0.0]
量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
論文参考訳（メタデータ） (2024-01-29T04:00:51Z)
Complexity of Gaussian quantum optics with a limited number of non-linearities [4.532517021515834]
ガウス過程の1層非線型性による遷移振幅の計算は、古典的コンピュータでは困難であることを示す。ガウスボソンサンプリング実験の結果の確率を効率的に近似するために,この問題を効率的に解くアルゴリズムがいかに有効かを示す。
論文参考訳（メタデータ） (2023-10-09T18:00:04Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
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)
Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
論文参考訳（メタデータ） (2021-03-04T18:21:00Z)
Learnability and Complexity of Quantum Samples [26.425493366198207]
量子回路が与えられた場合、量子コンピュータは古典的コンピュータよりも出力分布を指数関数的に高速にサンプリングすることができる。一定のトレーニング時間でnでスケールするトレーニングパラメータを持つモデルを用いて、基礎となる量子分布を学習できるだろうか? 本稿では,Deep Boltzmann Machine (DBM), Generative Adrial Networks (GANs), Long Short-Term Memory (LSTM), Autoregressive GANの4種類の生成モデルについて,深部ランダム回路で生成された量子データセットの学習について検討する。
論文参考訳（メタデータ） (2020-10-22T18:45:25Z)
Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
オープン量子システムのダイナミクスに対処するためのアプローチを提案する。自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
論文参考訳（メタデータ） (2020-09-11T18:00:00Z)
Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文参考訳（メタデータ） (2020-06-25T17:59:44Z)

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。