論文の概要: Einstein-Podolsky-Rosen steering based on semi-supervised machine
learning
- arxiv url: http://arxiv.org/abs/2112.00455v1
- Date: Wed, 1 Dec 2021 12:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 04:41:17.939248
- Title: Einstein-Podolsky-Rosen steering based on semi-supervised machine
learning
- Title(参考訳): 半教師付き機械学習に基づくeinstein-podolsky-rosenステアリング
- Authors: Lifeng Zhang, Zhihua Chen, Shao-Ming Fei
- Abstract要約: EPRステアリング(Einstein-Podolsky-Rosen)は、量子情報処理において強力な非局所量子資源である。
サポートベクタマシンやニューラルネットワークなどの監視された機械学習は、EPRのステアビリティを検出するために訓練されている。
本稿では,量子ステアリングの検出において,ラベル付き量子状態のごく一部のみを使用する半教師付き支持ベクトルマシンを提案する。
- 参考スコア(独自算出の注目度): 9.306533000442966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Einstein-Podolsky-Rosen(EPR)steering is a kind of powerful nonlocal quantum
resource in quantum information processing such as quantum cryptography and
quantum communication. Many criteria have been proposed in the past few years
to detect the steerability both analytically and numerically. Supervised
machine learning such as support vector machines and neural networks have also
been trained to detect the EPR steerability. To implement supervised machine
learning, one needs a lot of labeled quantum states by using the semidefinite
programming, which is very time consuming. We present a semi-supervised support
vector machine method which only uses a small portion of labeled quantum states
in detecting quantum steering. We show that our approach can significantly
improve the accuracies by detailed examples.
- Abstract(参考訳): EPRステアリング(Einstein-Podolsky-Rosen)は、量子暗号や量子通信などの量子情報処理における強力な非局所量子リソースの一種である。
過去数年間、解析的および数値的両方のステアビリティを検出するために多くの基準が提案されてきた。
サポートベクタマシンやニューラルネットワークなどの監視された機械学習も、EPRのステアビリティを検出するためにトレーニングされている。
教師あり機械学習を実装するには、半定義型プログラミングを用いることで、多くのラベル付き量子状態が必要となる。
量子ステアリングの検出において,ラベル付き量子状態のごく一部しか使用しない半教師付き支持ベクトル機械法を提案する。
本手法は, 詳細な例により, 精度を大幅に向上できることを示す。
関連論文リスト
- 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) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Experimental Quantum End-to-End Learning on a Superconducting Processor [5.823530551338544]
超伝導プロセッサ上で量子エンド・ツー・エンドの機械学習を初めて実験的に実現したことを報告する。
トレーニングされたモデルは、2つの手書き桁(2量子ビット)に対して98%の精度を達成でき、MNISTデータベースでは4桁(3量子ビット)に対して89%の精度を達成できる。
論文 参考訳(メタデータ) (2022-03-17T04:30:08Z) - Self-Correcting Quantum Many-Body Control using Reinforcement Learning
with Tensor Networks [0.0]
本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。
我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
論文 参考訳(メタデータ) (2022-01-27T20:14:09Z) - Quantum-enhanced bosonic learning machine [0.0]
本稿では,量子データに閉じ込められたイオンのシステムで動作させる量子強化ボソニック学習マシンについて述べる。
我々は、高次元量子状態の集合におけるパターンを認識するために、教師なしK平均アルゴリズムを実装した。
得られた知識を用いて、未知の量子状態を教師付きk-NNアルゴリズムで分類する。
論文 参考訳(メタデータ) (2021-04-09T02:44:57Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳(メタデータ) (2021-01-21T22:18:49Z) - Classifying global state preparation via deep reinforcement learning [0.0]
我々は、深い強化学習を伴う連続した状態のセットを準備することで、グローバルな量子制御を実証する。
応用として、複素多層窒素空孔中心における電子スピンの任意の重ね合わせ状態を生成する。
提案手法は, 短期量子コンピュータ, 量子センシングデバイス, 量子シミュレーションの制御の改善に有効である。
論文 参考訳(メタデータ) (2020-05-26T14:28:15Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。