論文の概要: Quantifying Unknown Entanglement by Neural Networks

• arxiv url: http://arxiv.org/abs/2104.12527v1
• Date: Mon, 26 Apr 2021 12:50:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-02 09:00:50.248620
• Title: Quantifying Unknown Entanglement by Neural Networks
• Title（参考訳）: ニューラルネットワークによる未知の絡み合いの定量化
• Authors: Xiaodie Lin, Zhenyu Chen, and Zhaohui Wei
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6629141734354616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum entanglement plays a crucial role in quantum information processing tasks and quantum mechanics, hence quantifying unknown entanglement is a fundamental task. However, this is also challenging, as entanglement cannot be measured by any observables directly. In this paper, we train neural networks to quantify unknown entanglement, where the input features of neural networks are the outcome statistics data produced by locally measuring target quantum states, and the training labels are well-chosen quantities. For bipartite quantum states, this quantity is coherent information, which is a lower bound for the entanglement of formation and the entanglement of distillation. For multipartite quantum states, we choose this quantity as the geometric measure of entanglement. It turns out that the neural networks we train have very good performance in quantifying unknown quantum states, and can beat previous approaches like semi-device-independent protocols for this problem easily in both precision and application range. We also observe a surprising phenomenon that on quantum states with stronger quantum nonlocality, the neural networks tend to have better performance, though we do not provide them any knowledge on quantum nonlocality.
• Abstract（参考訳）: 量子絡み合いは量子情報処理タスクや量子力学において重要な役割を果たすため、未知の絡み合いの定量化は基本的な課題である。 しかし、エンタングルメントは観測可能な観測器では直接測定できないため、これは困難である。 本稿では,ニューラルネットワークをトレーニングして未知の絡み合いの定量化を行う。ここでは,ニューラルネットワークの入力特徴が,対象量子状態の局所的な測定によって生成された結果統計データであり,トレーニングラベルは十分なコセン量である。 2部量子状態の場合、この量はコヒーレント情報であり、これは形成の絡み合いと蒸留の絡み合いの低い境界である。 多元量子状態に対しては、この量を絡み合いの幾何測度として選ぶ。 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おいて非常に優れた性能を示しており、この問題に対する半デバイス非依存プロトコルのような従来のアプローチを精度と適用範囲の両方で容易に打ち勝つことができる。 また、より強い量子非局所性を持つ量子状態において、ニューラルネットワークは量子非局所性に関する知識を提供していないが、より優れた性能を持つ傾向があるという驚くべき現象も観察する。

関連論文リスト

• 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)
• Quantum Process Learning Through Neural Emulation [3.7228085662092845]
  入力アンサンブルの内部表現を構築し,未知の過程をエミュレートするニューラルネットワークを導入する。 我々のモデルは量子コンピューティング、量子フォトニクス、量子多体物理学への応用において高い精度を示す。
  論文  参考訳（メタデータ） (2023-08-17T06:53:58Z)
• 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)
• Measuring Quantum Entanglement from Local Information by Machine Learning [10.161394383081145]
  絡み合いは量子技術の発展における鍵となる性質である。 本稿では,局所ハミルトニアンの平衡状態と非平衡状態の絡み合いを測定するためのニューラルネットワーク支援プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-09-18T08:15:49Z)
• 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)
• Detecting quantum entanglement with unsupervised learning [5.136040801991848]
  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。
  論文  参考訳（メタデータ） (2021-03-08T14:56:24Z)
• Quantum information spreading in a disordered quantum walk [50.591267188664666]
  量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。 我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。 以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
  論文  参考訳（メタデータ） (2020-10-20T20:03:19Z)
• 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)
• Finding Quantum Critical Points with Neural-Network Quantum States [0.0]
  本稿では,ニューラルネットワーク量子状態を用いた量子イジングモデルの量子臨界点探索手法を提案する。 我々は、本質的に制限されたボルツマンマシン、トランスファーラーニング、教師なし学習を解析的に構築した。
  論文  参考訳（メタデータ） (2020-02-07T04:39:09Z)
• 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。