論文の概要: Pruning a restricted Boltzmann machine for quantum state reconstruction
- arxiv url: http://arxiv.org/abs/2110.03676v1
- Date: Thu, 7 Oct 2021 17:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 05:31:42.822192
- Title: Pruning a restricted Boltzmann machine for quantum state reconstruction
- Title(参考訳): 量子状態再構成のための制限ボルツマンマシンのpruning
- Authors: Anna Golubeva and Roger G. Melko
- Abstract要約: RBMにおける波動関数表現の圧縮方法として,等級に基づくプルーニングについて検討する。
刈り取りはRBM重量の総数を削減することができるが, 復元精度が低下し始める閾値はモデルの位相によって大きく異なる。
- 参考スコア(独自算出の注目度): 3.0712335337791288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restricted Boltzmann machines (RBMs) have proven to be a powerful tool for
learning quantum wavefunction representations from qubit projective measurement
data. Since the number of classical parameters needed to encode a quantum
wavefunction scales rapidly with the number of qubits, the ability to learn
efficient representations is of critical importance. In this paper we study
magnitude-based pruning as a way to compress the wavefunction representation in
an RBM, focusing on RBMs trained on data from the transverse-field Ising model
in one dimension. We find that pruning can reduce the total number of RBM
weights, but the threshold at which the reconstruction accuracy starts to
degrade varies significantly depending on the phase of the model. In a gapped
region of the phase diagram, the RBM admits pruning over half of the weights
while still accurately reproducing relevant physical observables. At the
quantum critical point however, even a small amount of pruning can lead to
significant loss of accuracy in the physical properties of the reconstructed
quantum state. Our results highlight the importance of tracking all relevant
observables as their sensitivity varies strongly with pruning. Finally, we find
that sparse RBMs are trainable and discuss how a successful sparsity pattern
can be created without pruning.
- Abstract(参考訳): 制限ボルツマンマシン(RBM)は、キュービット射影測定データから量子波動関数表現を学習するための強力なツールであることが証明されている。
量子波動関数のエンコードに必要な古典的パラメータの数は、量子ビット数で急速にスケールするので、効率的な表現を学習する能力は極めて重要である。
本稿では, RBMにおける波動関数表現を圧縮する手段として, 1次元の逆場イジングモデルからトレーニングしたRBMに着目し, 等級に基づくプルーニングについて検討する。
プルーニングは, rbm重量の総数を減少させるが, 復元精度が低下する閾値は, モデルの位相によって大きく異なることがわかった。
位相図のギャップのある領域では、RBMは関連する物理観測物を正確に再現しながら重量の半分以上を刈り取ることを認めている。
しかし、量子臨界点において、少量のプルーニングでさえ、再構成された量子状態の物理的性質の精度が著しく低下する可能性がある。
以上の結果から, 刈り込みの感度が強く異なるため, 関連する観測対象の追跡の重要性が示唆された。
最後に, スパース RBM は訓練可能であり, 刈り取らずにスパースパターンをどのように生成できるかを議論する。
関連論文リスト
- Machine learning a fixed point action for SU(3) gauge theory with a gauge equivariant convolutional neural network [0.0]
固定点格子作用は、離散化効果や量子レベルでの格子アーチファクトの減少の影響を受けない連続古典的性質を持つように設計されている。
ここでは、機械学習手法を用いて、固定点アクションのパラメータ化方法に関する質問を再考する。
論文 参考訳(メタデータ) (2024-01-12T10:03:00Z) - Universality of critical dynamics with finite entanglement [68.8204255655161]
臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。
その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
論文 参考訳(メタデータ) (2023-01-23T19:23:54Z) - Optimizing one-axis twists for variational Bayesian quantum metrology [0.0]
特に、量子ビット位相推定(回転センシング)は、電場センシング、磁気メソメトリー、原子時計、ジャイロスコープへの応用において、ユビキタスな問題として現れる。
任意軸ツイストアンサーゼと呼ばれるパラメタライズド符号化および復号化プロトコルの新たなファミリーを提案する。
対象推定誤差を達成するのに必要な1軸ツイスト数を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2022-12-23T16:45:15Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - Investigating Network Parameters in Neural-Network Quantum States [0.0]
ニューラルネットワークを用いた量子状態表現は強力なツールとして認識され始めている。
最も単純なニューラルネットワークの1つである制限ボルツマンマシン(RBM)を、1次元(1次元)逆場イジング(TFI)モデルの基底状態表現に適用する。
1次元TFIモデルにおける秩序相から乱相への量子相転移は, ニューラルネットワークパラメータの挙動に明らかに反映されている。
論文 参考訳(メタデータ) (2022-02-03T17:13:21Z) - Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。
本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文 参考訳(メタデータ) (2021-08-24T15:30:04Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Helping restricted Boltzmann machines with quantum-state representation
by restoring symmetry [0.0]
ニューラルネットワークに基づく変動波関数は、量子多体状態を正確に表現するための強力なアンサッツとして認識されている。
最も単純なニューラルネットワークである制限ボルツマンマシン(RBM)を用いて変動波関数を構築し、基本量子スピンハミルトニアンに適用する。
その結果, RBM波動関数は, 基底状態と励起状態の計算の両方において, 最先端の精度を達成できることが示唆された。
論文 参考訳(メタデータ) (2020-09-30T16:25:28Z) - Reconstructing quantum molecular rotor ground states [0.36748639131154304]
本研究では,高次元ヒルベルト空間からのデータに基づいて,制限されたボルツマンマシンを用いて,双極子ローターの鎖の基底状態の再構築を行う。
サンプリング手順における対称性の付与が困難であることから,RBMが達成できる精度の基本的な限界を示す。
論文 参考訳(メタデータ) (2020-03-31T14:56:25Z) - In and out of equilibrium quantum metrology with mean-field quantum
criticality [68.8204255655161]
本稿では,集団遷移現象が量子力学プロトコルに与える影響について考察する。
単一球面量子スピン(SQS)は平均場レベルでの分析的な洞察を可能にするステレオタイプ玩具モデルとして機能する。
論文 参考訳(メタデータ) (2020-01-09T19:20:42Z)
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。