論文の概要: Quantifying Unknown Quantum Entanglement via a Hybrid Quantum-Classical Machine Learning Framework

• arxiv url: http://arxiv.org/abs/2204.11500v1
• Date: Mon, 25 Apr 2022 08:29:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 19:02:27.563698
• Title: Quantifying Unknown Quantum Entanglement via a Hybrid Quantum-Classical Machine Learning Framework
• Title（参考訳）: ハイブリッド量子古典機械学習フレームワークによる未知量子絡み合いの定量化
• Authors: Xiaodie Lin, Zhenyu Chen, Zhaohui Wei
• Abstract要約: 本稿では,未知の絡み合いを定量化する2つの機械学習手法の性能を比較する。 本稿では,この問題に対するハイブリッド量子古典機械学習フレームワークを提案する。そこでは,最適な局所測定を訓練して,より情報的な相関データを生成する。 シミュレーションにより,新しいフレームワークは未知の絡み合いを定量化するためのモーメントに基づく手法に匹敵する性能をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 1.8689488822130746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying unknown quantum entanglement experimentally is a difficult task, but also becomes more and more necessary because of the fast development of quantum engineering. Machine learning provides practical solutions to this fundamental problem, where one has to train a proper machine learning model to predict entanglement measures of unknown quantum states based on experimentally measurable data, say moments or correlation data produced by local measurements. In this paper, we compare the performance of these two different machine learning approaches systematically. Particularly, we first show that the approach based on moments enjoys a remarkable advantage over that based on correlation data, though the cost of measuring moments is much higher. Next, since correlation data is much easier to obtain experimentally, we try to better its performance by proposing a hybrid quantum-classical machine learning framework for this problem, where the key is to train optimal local measurements to generate more informative correlation data. Our numerical simulations show that the new framework brings us comparable performance with the approach based on moments to quantify unknown entanglement. Our work implies that it is already practical to fulfill such tasks on near-term quantum devices.
• Abstract（参考訳）: 未知の量子絡み合いを実験的に定量化することは難しい課題であるが、量子工学の急速な発展のためにますます必要となる。 機械学習は、実験的な測定可能なデータ、例えば局所的な測定によって生成されたモーメントや相関データに基づいて、未知の量子状態の絡み合いを予測するために、適切な機械学習モデルを訓練する必要がある。 本稿では,これら2つの機械学習手法の性能を系統的に比較する。 特に、モーメントに基づくアプローチは、モーメント測定のコストがはるかに高いにもかかわらず、相関データに基づくアプローチよりも顕著に有利であることを示す。 次に,相関データを実験的に取得しやすくするため,この問題に対するハイブリッド量子古典機械学習フレームワークの提案により,より情報的な相関データを生成するために最適な局所測定を訓練することが重要である。 シミュレーションにより,新しいフレームワークは未知の絡み合いを定量化するためのモーメントに基づく手法に匹敵する性能をもたらすことが示された。 我々の研究は、このようなタスクを短期量子デバイス上で実行することは、すでに現実的であることを示唆している。

関連論文リスト

• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、表現性、推論速度、トレーニング効率の観点から、ノイズロストで無条件の量子学習の利点を厳格に確立する。 我々の証明は情報理論であり、この優位性の起源を示唆している。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• 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)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Simulation-assisted learning of open quantum systems [3.1003326924534482]
  本稿では,マルコフ開量子系のパラメータを計測データから推定する学習手法を提案する。 本手法は誤差推定と数値実験により検証した。
  論文  参考訳（メタデータ） (2023-07-07T22:37:42Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• 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)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Learning quantum systems via out-of-time-order correlators [0.27961972519572437]
  時間外相関器は、強い相互作用を持つシステムの学習性を大幅に向上させることができることを示す。 我々はこれらの利点を様々な学習問題で数値的に特徴づけ、読み出し誤りとデコヒーレンスの両方に頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-08-03T18:00:00Z)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)

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。