論文の概要: Exploring super-additivity of coherent information of noisy quantum
channels through Genetic algorithms
- arxiv url: http://arxiv.org/abs/2201.03958v2
- Date: Wed, 13 Jul 2022 05:37:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 12:54:04.048326
- Title: Exploring super-additivity of coherent information of noisy quantum
channels through Genetic algorithms
- Title（参考訳）: 遺伝的アルゴリズムによる雑音量子チャネルのコヒーレント情報の超付加性探索
- Authors: Govind Lal Sidhardh, Mir Alimuddin, and Manik Banik
- Abstract要約: パウリ流路の繰り返し符号より優れた非自明な量子符号が見つかる。
パウリのいくつかのチャンネルでは、これらの符号は非常に高い0.01の超付加性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning techniques are increasingly being used in fundamental
research to solve various challenging problems. Here we explore one such
technique to address an important problem in quantum communication scenario.
While transferring quantum information through a noisy quantum channel, the
utility of the channel is characterized by its quantum capacity. Quantum
channels, however, display an intriguing property called super-additivity of
coherent information. This makes the calculation of quantum capacity a hard
computational problem involving optimization over an exponentially increasing
search space. In this work, we first utilize a neural network ansatz to
represent quantum states and then apply an evolutionary optimization scheme to
address this problem. We find regions in the three-parameter space of qubit
Pauli channels where coherent information exhibits this super-additivity
feature. We characterised the quantum codes that achieves high coherent
information, finding several non-trivial quantum codes that outperforms the
repetition codes for some Pauli channels. For some Pauli channels, these codes
displays very high super-additivity of the order of 0.01, much higher than the
observed values in other well studied quantum channels. We further compared the
learning performance of the Neural Network ansatz with the raw ansatz to find
that in the three-shot case, the neural network ansatz outperforms the raw
representation in finding quantum codes of high coherent information. We also
compared the learning performance of the evolutionary algorithm with a simple
Particle Swarm Optimisation scheme and show empirical results indicating
comparable performance, suggesting that the Neural Network ansatz coupled with
the evolutionary scheme is indeed a promising approach to finding non-trivial
quantum codes of high coherent information.
- Abstract（参考訳）: 機械学習技術は、様々な課題を解決するために、基礎研究でますます使われている。
ここでは,量子通信シナリオにおいて重要な問題に対処するための手法について検討する。
ノイズの多い量子チャネルを介して量子情報を転送する際、チャネルの効用はその量子容量によって特徴づけられる。
しかし、量子チャネルはコヒーレント情報の超付加性と呼ばれる興味深い性質を示す。
これにより量子容量の計算は指数関数的に増加する探索空間上の最適化を伴う難しい計算問題となる。
本研究ではまず,量子状態を表すためにニューラルネットワークアンサッツを使用し,この問題に対処するための進化的最適化手法を適用する。
クビットパウリチャネルの3パラメータ空間内の領域は、コヒーレントな情報がこの超増感的特徴を示す。
我々は、高コヒーレントな情報を達成する量子符号を特徴付け、いくつかのパウリチャンネルの繰り返し符号より優れた非自明な量子符号を発見した。
いくつかのパウリチャネルでは、これらの符号は0.01のオーダーの非常に高い超加法的を示し、他のよく研究された量子チャネルの観測値よりもはるかに高い値を示す。
さらに,ニューラルネットワーク ansatz の学習性能を生 ansatz と比較し,3ショットの場合,高いコヒーレント情報の量子符号を求める際に,ニューラルネットワーク ansatz が生表現を上回ることを見出した。
また、進化アルゴリズムの学習性能を単純な粒子群最適化スキームと比較し、同等の性能を示す実験結果を示し、進化スキームと結合したニューラルネットワークのansatzは、高いコヒーレントな情報の非自明な量子コードを見つけるための有望なアプローチであることが示唆された。
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) - Entanglement-Assisted Quantum Networks: Mechanics, Enabling
Technologies, Challenges, and Research Directions [66.27337498864556]
本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。
ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。
また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
論文 参考訳（メタデータ） (2023-07-24T02:48:22Z) - Quantum Convolutional Neural Networks for Multi-Channel Supervised
Learning [0.0]
本稿では,畳み込みカーネルとして使用するハードウェア適応型量子回路について述べる。
提案する量子ニューラルネットワークは,マルチチャネルデータを含む分類タスクにおいて,既存のQCNNよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-30T11:48:12Z) - Deep quantum neural networks equipped with backpropagation on a
superconducting processor [7.011044869810729]
6ビットプログラマブル超伝導プロセッサを用いたバックプロパゲーションアルゴリズムを用いて深部量子ニューラルネットワークのトレーニング実験を行った。
特に、3層ディープ量子ニューラルネットワークを効率よく訓練し、2量子量子チャネルを96.2%の平均忠実度で学習できることが示されている。
6層ディープ量子ニューラルネットワークは、同じ方法でトレーニングすることができ、単一の量子チャネルを学習するための平均忠実度を94.8%まで達成することができる。
論文 参考訳（メタデータ） (2022-12-05T19:00:02Z) - 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) - Quantum Neural Architecture Search with Quantum Circuits Metric and
Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。
提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-06-28T16:23:24Z) - 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) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳（メタデータ） (2021-03-03T16:10:15Z)
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。