論文の概要: Detecting quantum entanglement with unsupervised learning

• arxiv url: http://arxiv.org/abs/2103.04804v1
• Date: Mon, 8 Mar 2021 14:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 20:47:52.800283
• Title: Detecting quantum entanglement with unsupervised learning
• Title（参考訳）: 教師なし学習による量子絡み検出
• Authors: Yiwei Chen, Yu Pan, Guofeng Zhang, Shuming Cheng
• Abstract要約: 本研究では,量子特徴のない正規サンプルの凸性を利用し,教師なし機械学習法を設計,量子特徴を異常として検出する。 本研究では,疑似シメセネットワークとジェネレーション対向ネットからなる複雑値ニューラルネットワークを提案し,それを分離可能な状態のみで訓練し,絡み合う非線形の証人を構築する。 この結果はベル非局所性やステアビリティといった他の量子リソースの検出に容易に適用でき、高次元量子データに隠された量子特徴を抽出する強力なツールを提供できることを示唆する。
• 参考スコア（独自算出の注目度）: 5.136040801991848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum properties, such as entanglement and coherence, are indispensable resources in various quantum information processing tasks. However, there still lacks an efficient and scalable way to detecting these useful features especially for high-dimensional quantum systems. In this work, we exploit the convexity of normal samples without quantum features and design an unsupervised machine learning method to detect the presence of quantum features as anomalies. Particularly, given the task of entanglement detection, we propose a complex-valued neural network composed of pseudo-siamese network and generative adversarial net, and then train it with only separable states to construct non-linear witnesses for entanglement. It is shown via numerical examples, ranging from 2-qubit to 10-qubit systems, that our network is able to achieve high detection accuracy with above 97.5% on average. Moreover, it is capable of revealing rich structures of entanglement, such as partial entanglement among subsystems. Our results are readily applicable to the detection of other quantum resources such as Bell nonlocality and steerability, indicating that our work could provide a powerful tool to extract quantum features hidden in high-dimensional quantum data.
• Abstract（参考訳）: 絡み合いやコヒーレンスなどの量子特性は、様々な量子情報処理タスクにおいて不可欠な資源です。 しかし、特に高次元量子システムにおいてこれらの有用な特徴を検出するための効率的でスケーラブルな方法がまだ存在しない。 本研究では,量子的特徴を伴わない正規サンプルの凸性を利用し,教師なし機械学習法を考案し,量子的特徴の存在を異常として検出する。 特に,絡み込み検出の課題を考慮し,擬似シマネットワークと生成逆数ネットからなる複雑な評価ニューラルネットワークを提案し,それを分離可能な状態で訓練し,絡み込みの非線形目撃者を構築する。 2-qubit から 10-qubit までの数値的な例を通して、我々のネットワークは平均 97.5% 以上の高い検出精度を達成できることを示す。 さらに、サブシステム間の部分的絡み合いなど、絡み合いの豊富な構造を明らかにすることができる。 この結果はベル非局所性やステアビリティといった他の量子リソースの検出に容易に適用でき、高次元量子データに隠された量子特徴を抽出する強力なツールを提供できることを示唆する。

関連論文リスト

• High-dimentional Multipartite Entanglement Structure Detection with Low Cost [18.876952671920133]
  本稿では,絡み合い構造検出に適した表現を生成するニューラルネットワークモデルを提案する。 提案手法は最大19量子ビット系における95%以上の検出精度を実現する。
  論文  参考訳（メタデータ） (2024-08-23T12:09:26Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Guarantees on the structure of experimental quantum networks [105.13377158844727]
  量子ネットワークは、セキュアな通信、ネットワーク量子コンピューティング、分散センシングのためのマルチパーティ量子リソースと多数のノードを接続し、供給する。 これらのネットワークのサイズが大きくなるにつれて、認証ツールはそれらの特性に関する質問に答える必要がある。 本稿では,ある量子ネットワークにおいて特定の相関が生成できないことを保証するための一般的な方法を示す。
  論文  参考訳（メタデータ） (2024-03-04T19:00:00Z)
• 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)
• Finding efficient observable operators in entanglement detection via convolutional neural network [2.0184593863282916]
  2量子ビット量子システムにおける絡み合い検出に応用可能な分岐畳み込みニューラルネットワークを考案する。 ここでは、ワーナー状態、一般化されたワーナー状態、一般2量子状態の絡み合いを検出し、検出に適した可観測作用素を自動的に見つけることができる。
  論文  参考訳（メタデータ） (2022-05-26T13:59:07Z)
• An unsupervised feature learning for quantum-classical convolutional network with applications to fault detection [5.609958919699706]
  本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。 提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
  論文  参考訳（メタデータ） (2021-07-17T03:16:59Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantifying Unknown Entanglement by Neural Networks [1.6629141734354616]
  ニューラルネットワークは未知の絡み合いを定量化するために訓練され、ニューラルネットワークの入力特徴は、ターゲットの量子状態を局所的に測定した結果統計データである。 その結果、トレーニングするニューラルネットワークは、未知の量子状態の定量化に非常に優れた性能を持つことがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:50:25Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)
• Quantum entanglement recognition [0.0]
  機械学習技術に基づく絡み合いを探索するための枠組みを定式化する。 得られた量子エンタングルメント認識タスクは正確であり、よく制御されたエラーを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2020-07-28T18:00:00Z)
• 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。