論文の概要: Unsupervised learning of correlated quantum dynamics on disordered lattices

• arxiv url: http://arxiv.org/abs/2110.06911v2
• Date: Sun, 30 Jan 2022 09:40:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-11 14:23:14.042963
• Title: Unsupervised learning of correlated quantum dynamics on disordered lattices
• Title（参考訳）: 乱格子上の相関量子力学の教師なし学習
• Authors: Miri Kenig and Yoav Lahini
• Abstract要約: 乱格子上で共伝播する量子粒子は、量子統計学、粒子間相互作用、障害の間の相互作用による複雑な非古典的相関を発達させる。 本稿では,これらの相関関係を学習し,物理的制御パラメータを教師なしで同定する深層学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum particles co-propagating on disordered lattices develop complex non-classical correlations due to an interplay between quantum statistics, inter-particle interactions, and disorder. Here we present a deep learning algorithm based on Generative Adversarial Networks, capable of learning these correlations and identifying the physical control parameters in a completely unsupervised manner. After one-time training on a data set of unlabeled examples, the algorithm can generate, without further calculations, a much larger number of unseen yet physically correct new examples. Furthermore, the knowledge distilled in the algorithm's latent space identifies disorder as the relevant control parameter. This allows post-training tuning of the level of disorder in the generated samples to values the algorithm was not explicitly trained on. Finally, we show that a trained network can accelerate the learning of new, more complex problems. These results demonstrate the ability of neural networks to learn the rules of correlated quantum dynamics in an unsupervised manner and offer a route to their use in quantum simulations and computation.
• Abstract（参考訳）: 乱格子上で共伝播する量子粒子は、量子統計学、粒子間相互作用、障害の間の相互作用による複雑な非古典的相関を発達させる。 本稿では,これらの相関を学習し,完全に教師なしの方法で物理制御パラメータを同定できる,生成型逆ネットワークに基づくディープラーニングアルゴリズムを提案する。 ラベルなしの例のデータセットで一度トレーニングした後、アルゴリズムはさらなる計算をすることなく、さらに多くの目に見えないが物理的に修正された新しい例を生成することができる。 さらに、アルゴリズムの潜在空間で抽出された知識は、障害を関連する制御パラメータとして識別する。 これにより、生成されたサンプルの障害レベルを、アルゴリズムが明示的にトレーニングされていない値に調整することが可能になる。 最後に、トレーニングされたネットワークは、新しいより複雑な問題の学習を加速できることを示す。 これらの結果は、ニューラルネットワークが相関量子力学の規則を教師なしの方法で学習し、量子シミュレーションや計算におけるそれらの使用への道筋を示す。

関連論文リスト

• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• 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)
• Non-linear classification capability of quantum neural networks due to emergent quantum metastability [0.0]
  量子ニューラルネットワークで有効な非線形性を実現することができることを示す。 分散多体量子スピンモデルにインスパイアされたアーキテクチャを持つ量子ニューラルネットワークを用いることで、このメカニズムが実際に非線形データ分類を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-20T12:01:07Z)
• Quantum-enhanced learning with a controllable bosonic variational sensor network [0.40964539027092906]
  絡み合ったセンサネットワーク(SLAEN)による教師付き学習 本稿では非線形データ分類タスクを処理できるSLAENを提案する。 分類誤差のしきい値現象は、プローブのエネルギーが一定のしきい値を超えると、誤差は劇的にゼロになる。
  論文  参考訳（メタデータ） (2024-04-28T19:41:40Z)
• Correlation-pattern-based Continuous-variable Entanglement Detection through Neural Networks [1.5091188291530049]
  連続変数の非ガウス状態における絡み合いは、多くの量子情報タスクにおいて、置換不能な利点をもたらす。 相関パターンを用いて連続変数の絡み合いを効果的に検出するニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2023-10-31T16:00:25Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• 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)
• Machine-learning assisted quantum control in random environment [3.8580539160777625]
  本稿では,ニューラルネットワークに基づく機械学習アルゴリズムの概念実証と解析について紹介する。 畳み込みニューラルネットワークは、障害を認識できるため、この問題を解決可能であることを示す。 提案アルゴリズムの精度は障害パターンの高次元マッピングにより向上することを示した。
  論文  参考訳（メタデータ） (2022-02-21T15:12:39Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• 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。