Fugu-MT 論文翻訳(概要): Large-scale quantum diagrammatic reasoning tools, !-boxes vs. scalable notations

論文の概要: Large-scale quantum diagrammatic reasoning tools, !-boxes vs. scalable notations

arxiv url: http://arxiv.org/abs/2204.11702v1
Date: Mon, 25 Apr 2022 14:46:22 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 17:50:14.742590
Title: Large-scale quantum diagrammatic reasoning tools, !-boxes vs. scalable notations
Title（参考訳）: 大規模量子図式推論ツール! -ボックス対スケーラブル表記法
Authors: Titouan Carette and Louis Lemonnier
Abstract要約: ダイアグラム推論の大規模量子プロセスへの応用には、任意の大きさのダイアグラムの族を記述するための特定のツールが必要である。今のところ、ZH-calculusの大規模図式推論ツールには、2つの風味がある。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The application of diagrammatic reasoning techniques to large-scale quantum processes needs specific tools to describe families of diagrams of arbitrary size. For now, large-scale diagrammatic reasoning tools in ZH-calculus come in two flavours, !-boxes and scalable notations. This paper investigates the interactions between the two approaches by exhibiting correspondences through various examples from the literature, focusing on (hyper)graph states and diagrammatic transforms. In doing so, we set up a path toward a neat and tidy large-scale diagrammatic reasoning toolbox.
Abstract（参考訳）: ダイアグラム推論技術の大規模量子プロセスへの応用には、任意の大きさのダイアグラムの族を記述するための特定のツールが必要である。今のところ、ZH-calculusの大規模図式推論ツールは2つあります。 -ボックスとスケーラブルな表記法。本稿では,この2つのアプローチ間の相互作用を文献からの様々な例を通して,(ハイパー)グラフ状態と図式変換に焦点をあてて検討する。そうすることで、私たちは、きれいで整然とした図式的な推論ツールボックスに向かう道を設定しました。

関連論文リスト

Many-body quantum resources of graph states [0.0]
複素多体系の非古典的相関を特徴づけることは量子技術の重要な部分である。我々は、辺を持つ星グラフ状態、ターアングラフ、$r$ary木グラフ、および正方形格子クラスタ状態の4つの位相を考える。グラフ状態における多体絡み合う深さは、局所変換やグラフ同型では同値でない146$クラスの最大8$ qubitsで特徴づける。
論文参考訳（メタデータ） (2024-10-16T12:05:19Z)
A scalable 2-local architecture for quantum annealing of Ising models with arbitrary dimensions [0.0]
次数$d=3$のハードウェアグラフで記述した量子異方体に対するスケーラブルなアーキテクチャを提案する。三角形の観点から問題グラフを記述することにより、この資源効率の高い構成を量子ビットの論理的連鎖に基づいて導出する。
論文参考訳（メタデータ） (2024-04-10T09:38:13Z)
Quantum Distance Approximation for Persistence Diagrams [1.0062127381149395]
永続図間の距離を推定するために,量子コンピュータの可能性を探る。本稿ではワッサーシュタイン距離と$dc_p$距離の変分量子アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-27T08:16:17Z)
Gaussian Entanglement Measure: Applications to Multipartite Entanglement of Graph States and Bosonic Field Theory [50.24983453990065]
フービニ・スタディ計量に基づく絡み合い尺度は、Cocchiarellaと同僚によって最近導入された。本稿では,多モードガウス状態に対する幾何絡み合いの一般化であるガウスエンタングルメント尺度(GEM)を提案する。自由度の高い系に対する計算可能な多部絡み合わせ測度を提供することにより、自由なボゾン場理論の洞察を得るために、我々の定義が利用できることを示す。
論文参考訳（メタデータ） (2024-01-31T15:50:50Z)
You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文参考訳（メタデータ） (2023-02-27T22:56:06Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Diagrammatic Differentiation for Quantum Machine Learning [0.19336815376402716]
位相パラメータに関して線形写像の勾配を図式的に計算する方法を示す。パラメトリス量子回路の図では、よく知られたパラメータシフト規則が得られる。次に,本手法をハイブリッド古典量子回路の自動微分に拡張する。
論文参考訳（メタデータ） (2021-03-14T16:04:56Z)
Hawkes Processes on Graphons [85.6759041284472]
我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
論文参考訳（メタデータ） (2021-02-04T17:09:50Z)
Colored props for large scale graphical reasoning [0.0]
この問題に対処する提案は、色付きの小道具を用いてZX計算に対して検討されている。本稿では,任意のプロップへのアプローチを拡張し,グラフィカル言語操作のための汎用ツールとなる。
論文参考訳（メタデータ） (2020-07-07T15:40:49Z)
Graph Optimal Transport for Cross-Domain Alignment [121.80313648519203]
クロスドメインアライメントはコンピュータビジョンと自然言語処理の基本である。我々は、最近の最適輸送(OT)の進歩から発芽する原則的なフレームワークであるグラフ最適輸送(GOT)を提案する。実験は、幅広いタスクにわたるベースライン上でのGOTの一貫性のある性能を示す。
論文参考訳（メタデータ） (2020-06-26T01:14:23Z)
Explain and Improve: LRP-Inference Fine-Tuning for Image Captioning Models [82.3793660091354]
本稿では,注意を可視化する以外に,注意機構を付加した画像キャプションモデルの予測について分析する。我々は,注意機構を備えた画像キャプションモデルに適したレイヤワイド関連伝搬(LRP)と勾配に基づく説明法を開発した。
論文参考訳（メタデータ） (2020-01-04T05:15:11Z)

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。