論文の概要: Preparation of quantum superposition using partial negation

• arxiv url: http://arxiv.org/abs/2109.14369v1
• Date: Wed, 29 Sep 2021 11:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 05:09:02.742122
• Title: Preparation of quantum superposition using partial negation
• Title（参考訳）: 部分否定を用いた量子重ね合わせの作製
• Authors: Sara Anwer, Ahmed Younes, Islam Elkabani, Ashraf Elsayed
• Abstract要約: 準備過程の速度と準備された重ね合わせの精度は、任意の量子アルゴリズムの成功に特に重要である。 提案手法は、$mathcalO(n)$のステップで必要となる量子重ね合わせを準備するために使用できる。
• 参考スコア（独自算出の注目度）: 1.911678487931003
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The preparation of a quantum superposition is the key to the success of many quantum algorithms and quantum machine learning techniques. The preparation of an incomplete or a non-uniform quantum superposition with certain properties is a non-trivial task. In this paper, an $n$-qubits variational quantum circuit using partial negation and controlled partial negation operators will be proposed to prepare an arbitrary quantum superposition. The proposed quantum circuit follows the symmetries of the unitary Lie group. The speed of the preparation process and the accuracy of the prepared superposition has a special importance to the success of any quantum algorithm. The proposed method can be used to prepare the required quantum superposition in $\mathcal{O}(n)$ steps and with high accuracy when compared with relevant methods in literature.
• Abstract（参考訳）: 量子重ね合わせ(quantum superposition)は、多くの量子アルゴリズムと量子機械学習技術の成功の鍵である。 不完全あるいは特定の性質を持つ非一様量子重ね合わせの準備は非自明な作業である。 本稿では、任意の量子重ね合わせを作成するために、部分ネゲーションと制御された部分ネゲーション演算子を用いた$n$-qubits変分量子回路を提案する。 提案された量子回路はユニタリリー群の対称性に従う。 準備過程の速度と準備された重ね合わせの精度は、任意の量子アルゴリズムの成功に特に重要である。 提案した手法は、文献上の関連する方法と比較した場合、$\mathcal{o}(n)$ ステップで必要な量子重ね合わせを作成するのに使うことができる。

関連論文リスト

• An Improved Quantum Algorithm of the Multislice Method [0.716879432974126]
  マルチサイス法は透過電子顕微鏡における電子回折と画像シミュレーションのための重要なアルゴリズムである。 本研究では,改良された量子アルゴリズムを開発した。 マルチ制御量子ゲートを用いずに位相シフト量子回路を再構成し,計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-26T14:47:51Z)
• 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)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• Quantum Phase Processing and its Applications in Estimating Phase and Entropies [10.8525801756287]
  量子位相処理」は、任意の三角変換をユニタリ作用素の固有位相に直接適用することができる。 量子位相処理は、単にアンシラ量子ビットを測定することで、量子システムの固有情報を取り出すことができる。 本稿では,量子フーリエ変換を必要としない量子位相推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-28T17:41:19Z)
• An Introduction to Quantum Machine Learning for Engineers [36.18344598412261]
  量子機械学習は、ゲートベースの量子コンピュータをプログラムするための支配的なパラダイムとして登場しつつある。 この本は、確率と線形代数の背景を持つエンジニアの聴衆のために、量子機械学習の自己完結した紹介を提供する。
  論文  参考訳（メタデータ） (2022-05-11T12:10:52Z)
• Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
  本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。 特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-27T21:15:35Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• Variational quantum process tomography [12.843681115589122]
  我々は、未知のユニタリ量子プロセスを比較的浅い深さパラメトリック量子回路に符号化する量子機械学習アルゴリズムを提唱した。 その結果、これらの量子プロセスは高い忠実度で再構成可能である一方で、必要な入力状態の数は、標準量子プロセストモグラフィーで要求されるよりも少なくとも2ドル以下であることがわかった。
  論文  参考訳（メタデータ） (2021-08-05T03:36:26Z)
• Depth-efficient proofs of quantumness [77.34726150561087]
  量子性の証明は、古典的検証器が信頼できない証明器の量子的利点を効率的に証明できる挑戦応答プロトコルの一種である。 本稿では、証明者が量子回路を一定深度でしか実行できない量子性構成の証明を2つ与える。
  論文  参考訳（メタデータ） (2021-07-05T17:45:41Z)
• Imaginary Time Propagation on a Quantum Chip [50.591267188664666]
  想像時間における進化は、量子多体系の基底状態を見つけるための顕著な技術である。 本稿では,量子コンピュータ上での仮想時間伝搬を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-24T12:48:00Z)
• On quantum ensembles of quantum classifiers [0.0]
  量子機械学習は、量子コンピュータの根底にある性質を利用して機械学習技術を強化する。 量子分類器の量子アンサンブルの具体的な実装は、精度重み付き量子アンサンブルと呼ばれ、完全に量子化することができる。 一方、一般的な量子アンサンブルフレームワークは、特に量子スピードアップを提供する有名なDeutsch-Jozsaアルゴリズムを含むことが示されている。
  論文  参考訳（メタデータ） (2020-01-29T13:46:16Z)

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。