論文の概要: Flexible learning of quantum states with generative query neural
networks
- arxiv url: http://arxiv.org/abs/2202.06804v1
- Date: Mon, 14 Feb 2022 15:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 15:45:10.053000
- Title: Flexible learning of quantum states with generative query neural
networks
- Title（参考訳）: 生成的クエリニューラルネットワークによる量子状態のフレキシブル学習
- Authors: Yan Zhu, Ya-Dong Wu, Ge Bai, Yuexuan Wang and Giulio Chiribella
- Abstract要約: 複数の量子状態にまたがる学習は、生成的クエリニューラルネットワークによって達成できることを示す。
我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
- 参考スコア（独自算出の注目度）: 4.540894342435848
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep neural networks are a powerful tool for characterizing quantum states.
In this task, neural networks are typically trained with measurement data
gathered from the quantum state to be characterized. But is it possible to
train a neural network in a general-purpose way, which makes it applicable to
multiple unknown quantum states? Here we show that learning across multiple
quantum states and different measurement settings can be achieved by a
generative query neural network, a type of neural network originally used in
the classical domain for learning 3D scenes from 2D pictures. Our network can
be trained offline with classically simulated data, and later be used to
characterize unknown quantum states from real experimental data. With little
guidance of quantum physics, the network builds its own data-driven
representation of quantum states, and then uses it to predict the outcome
probabilities of requested quantum measurements on the states of interest. This
approach can be applied to state learning scenarios where quantum measurement
settings are not informationally complete and predictions must be given in real
time, as experimental data become available, as well as to adversarial
scenarios where measurement choices and prediction requests are designed to
expose learning inaccuracies. The internal representation produced by the
network can be used for other tasks beyond state characterization, including
clustering of states and prediction of physical properties. The features of our
method are illustrated on many-qubit ground states of Ising model and
continuous-variable non-Gaussian states.
- Abstract（参考訳）: ディープニューラルネットワークは、量子状態を特徴付ける強力なツールである。
このタスクでは、ニューラルネットワークは通常、特徴づけられる量子状態から収集された測定データで訓練される。
しかし、ニューラルネットワークを汎用的な方法でトレーニングすることは可能で、複数の未知の量子状態に適用できますか?
本稿では,2d画像から3dシーンを学習するために古典的領域でもともと用いられたニューラルネットワークの一種である生成的クエリニューラルネットワークを用いて,複数の量子状態と異なる測定設定での学習を実現することを示す。
我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
量子物理学のガイダンスはほとんどなく、ネットワークは独自の量子状態のデータ駆動表現を構築し、興味のある状態に関する要求された量子測定の結果の確率を予測するためにそれを利用する。
このアプローチは、量子計測設定が情報的に完全ではなく、実験データが利用可能になるにつれて予測がリアルタイムに行われなければならない状態学習シナリオや、測定選択と予測要求が学習不正確さを公開するように設計されている敵シナリオに適用することができる。
ネットワークが生成する内部表現は、状態のクラスタリングや物理的特性の予測など、状態の特性以外のタスクに使用できる。
本手法の特徴は,イジングモデルと連続変数非ガウス状態の多量子基底状態について示す。
関連論文リスト
- Preparing Schrödinger cat states in a microwave cavity using a neural network [0.0]
量子状態全体に対して最適化された制御パルスを出力するようにニューラルネットワークに教えることが可能であることを示す。
結果は、ディープニューラルネットワークとトランスファーラーニングが、様々な量子制御タスクに対する効率的な同時解をいかに生み出すかを示す。
論文 参考訳（メタデータ） (2024-09-09T12:28:02Z) - Entanglement transition in deep neural quantum states [0.0]
深部ニューラルネットワークにおける情報伝達が深部神経量子状態の物理的絡み合い特性にどのように影響するかを示す。
このブリッジにより、領域と体積法が絡み合った状態を表すために最適な神経量子状態ハイパーパラメーターレギュレーションを特定できる。
正確な量子状態表現のためのネットワーク構成の理解の進歩は、容積法則量子状態を扱う効果的な表現を開発するのに役立ちます。
論文 参考訳（メタデータ） (2023-12-19T08:40:23Z) - 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) - Quantum Process Learning Through Neural Emulation [3.7228085662092845]
入力アンサンブルの内部表現を構築し,未知の過程をエミュレートするニューラルネットワークを導入する。
我々のモデルは量子コンピューティング、量子フォトニクス、量子多体物理学への応用において高い精度を示す。
論文 参考訳（メタデータ） (2023-08-17T06:53:58Z) - Deep learning of many-body observables and quantum information scrambling [0.0]
物理オブザーバブルの力学を学習する際のデータ駆動型ディープニューラルネットワークの能力が、量子情報のスクランブルとどのように相関するかを考察する。
ニューラルネットワークを用いて、モデルのパラメータからランダム量子回路における可観測物の進化へのマッピングを求める。
特定のタイプのリカレントニューラルネットワークは、局所的およびスクランブルされた状態の両方でトレーニングされたシステムサイズと時間ウィンドウ内での予測を一般化する上で非常に強力であることを示す。
論文 参考訳（メタデータ） (2023-02-09T13:14:10Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳（メタデータ） (2021-08-19T18:49:30Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。