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
- 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) - Information-driven Nonlinear Quantum Neuron [0.0]
本研究では,オープン量子システムとして動作するハードウェア効率の高い量子ニューラルネットワークを提案する。
入力量子情報のパラメトリゼーションが容易な繰り返し相互作用に基づくこの散逸モデルが、微分可能非線形活性化関数を示すことを示す。
論文 参考訳(メタデータ) (2023-07-18T07:12:08Z) - 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) - Imaginary components of out-of-time correlators and information
scrambling for navigating the learning landscape of a quantum machine
learning model [0.0]
我々は、時間外相関器の未探索の虚構成分が、グラフニューラルネットワークの情報スクランブル能力に関する前例のない洞察を与えることができることを分析的に説明する。
このような分析は、量子情報がそのようなネットワークを介してどのようにスクランブルされるかを明らかにすることによって、量子機械学習モデルのトレーニングをデミステレーションする。
論文 参考訳(メタデータ) (2022-08-29T06:17:28Z) - A Vision Inspired Neural Network for Unsupervised Anomaly Detection in
Unordered Data [0.0]
教師なし機械学習の分野における根本的な問題は、まれで異常な関心の観測に対応する異常の検出である。
本研究は、知覚アルゴリズムが用いたアプローチと、神経生理学と計算神経科学におけるこれまでの数十年の研究の間に重要な、実践的なつながりを確立することを目的とする。
このアルゴリズムは、予期せぬ観察を異常として信号する学習を行う教師なしニューラルネットワークのカーネルを形成するニューロンモデルとして概念化されている。
論文 参考訳(メタデータ) (2022-05-13T15:50:57Z) - 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) - Enhancing nonclassical bosonic correlations in a Quantum Walk network
through experimental control of disorder [50.591267188664666]
我々は制御可能な不均質量子ウォークダイナミクスを実験的に実現した。
ネットワークの2つのモード間の量子相関の強化を示す2つの光子状態を観察した。
論文 参考訳(メタデータ) (2021-02-09T10:57:00Z) - 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。