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

• 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)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• Application of machine learning to experimental design in quantum mechanics [0.5461938536945721]
  本稿では,量子センサの精度を最適化する機械学習手法を提案する。 フレームワークはPythonパッケージのqsensoroptで実装されている。 我々は,この手法のNV中心およびフォトニック回路への応用について検討した。
  論文  参考訳（メタデータ） (2024-03-15T14:07:46Z)
• 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)
• 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)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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。