論文の概要: On exploring practical potentials of quantum auto-encoder with advantages

• arxiv url: http://arxiv.org/abs/2106.15432v1
• Date: Tue, 29 Jun 2021 14:01:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 22:21:57.786745
• Title: On exploring practical potentials of quantum auto-encoder with advantages
• Title（参考訳）: 量子オートエンコーダの実用的可能性の検討
• Authors: Yuxuan Du, Dacheng Tao
• Abstract要約: 量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。 我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。 低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
• 参考スコア（独自算出の注目度）: 92.19792304214303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum auto-encoder (QAE) is a powerful tool to relieve the curse of dimensionality encountered in quantum physics, celebrated by the ability to extract low-dimensional patterns from quantum states living in the high-dimensional space. Despite its attractive properties, little is known about the practical applications of QAE with provable advantages. To address these issues, here we prove that QAE can be used to efficiently calculate the eigenvalues and prepare the corresponding eigenvectors of a high-dimensional quantum state with the low-rank property. With this regard, we devise three effective QAE-based learning protocols to solve the low-rank state fidelity estimation, the quantum Gibbs state preparation, and the quantum metrology tasks, respectively. Notably, all of these protocols are scalable and can be readily executed on near-term quantum machines. Moreover, we prove that the error bounds of the proposed QAE-based methods outperform those in previous literature. Numerical simulations collaborate with our theoretical analysis. Our work opens a new avenue of utilizing QAE to tackle various quantum physics and quantum information processing problems in a scalable way.
• Abstract（参考訳）: 量子オートエンコーダ(QAE)は、高次元空間に存在する量子状態から低次元パターンを抽出する能力によって、量子物理学で遭遇する次元の呪いを和らげる強力なツールである。 魅力的な性質にもかかわらず、qaeの実用的応用についてはほとんど知られていない。 これらの問題に対処するために、QAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを低ランク特性で作成できることを証明する。 そこで我々は,QAEに基づく3つの効果的な学習プロトコルを考案し,低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジータスクをそれぞれ解決した。 特に、これらのプロトコルはすべてスケーラブルで、短期的な量子マシン上で簡単に実行できる。 さらに,提案手法の誤差範囲が従来の文献よりも優れていることを証明した。 数値シミュレーションは理論解析と協調する。 我々の研究は、様々な量子物理学や量子情報処理問題にスケーラブルな方法で取り組むためにQAEを活用する新たな道を開く。

関連論文リスト

• QCircuitNet: A Large-Scale Hierarchical Dataset for Quantum Algorithm Design [17.747641494506087]
  量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された、最初のベンチマークおよびテストデータセットであるQCircuitNetを紹介する。 従来のコードの記述にAIを使用するのとは異なり、このタスクは基本的に異なり、非常に柔軟な設計空間と複雑なキュービット操作のため、さらに複雑である。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• 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)
• 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)
• Mixed-Dimensional Qudit State Preparation Using Edge-Weighted Decision Diagrams [3.393749500700096]
  量子コンピュータは難解な問題を解く可能性がある。 このポテンシャルを利用するための重要な要素の1つは、多値系(qudit)のために量子状態を効率的に準備する能力である。 本稿では,混合次元系に着目した量子状態生成法について検討する。
  論文  参考訳（メタデータ） (2024-06-05T18:00:01Z)
• Quantum Visual Feature Encoding Revisited [8.839645003062456]
  本稿では,量子機械学習の初期段階である量子視覚符号化戦略を再考する。 根本原因を調べた結果,既存の量子符号化設計では符号化処理後の視覚的特徴の情報保存が不十分であることが判明した。 我々は、このギャップを最小限に抑えるために、量子情報保存と呼ばれる新しい損失関数を導入し、量子機械学習アルゴリズムの性能を向上した。
  論文  参考訳（メタデータ） (2024-05-30T06:15:08Z)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Assessing requirements to scale to practical quantum advantage [56.22441723982983]
  大規模量子アプリケーションに必要なリソースを推定するために,スタックの層を抽象化し,量子リソース推定のためのフレームワークを開発する。 3つのスケールされた量子アプリケーションを評価し、実用的な量子優位性を達成するために数十万から数百万の物理量子ビットが必要であることを発見した。 私たちの研究の目標は、より広範なコミュニティがスタック全体の設計選択を探索できるようにすることで、実用的な量子的優位性に向けた進歩を加速することにあります。
  論文  参考訳（メタデータ） (2022-11-14T18:50:27Z)
• Quantum machine learning and quantum biomimetics: A perspective [0.0]
  量子機械学習は、量子技術の中でエキサイティングで有望なパラダイムとして登場した。 本稿では,これらのトピックについて概観し,科学コミュニティが実施した関連研究について述べる。
  論文  参考訳（メタデータ） (2020-04-25T07:45:20Z)

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。