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
- 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) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳(メタデータ) (2020-07-28T14:52:28Z) - 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) - 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) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。