論文の概要: Dimension-adaptive machine-learning-based quantum state reconstruction

• arxiv url: http://arxiv.org/abs/2205.05804v1
• Date: Wed, 11 May 2022 23:46:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-14 02:30:29.128850
• Title: Dimension-adaptive machine-learning-based quantum state reconstruction
• Title（参考訳）: 次元適応型機械学習に基づく量子状態再構成
• Authors: Sanjaya Lohani, Sangita Regmi, Joseph M. Lukens, Ryan T. Glasser, Thomas A. Searles, Brian T. Kirby
• Abstract要約: 我々は、m$ qubitsのみをトレーニングした機械学習ベースの再構成システムを用いて、$mgeq n$のシステムで量子状態再構成を行うアプローチを提案する。 我々は,1,2,3量子ビットのランダムサンプリングシステムに対して,少なくとも1つの追加量子ビットを含むシステムにのみ訓練された機械学習ベースの手法を用いて量子状態再構成を行う手法を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce an approach for performing quantum state reconstruction on systems of $n$ qubits using a machine-learning-based reconstruction system trained exclusively on $m$ qubits, where $m\geq n$. This approach removes the necessity of exactly matching the dimensionality of a system under consideration with the dimension of a model used for training. We demonstrate our technique by performing quantum state reconstruction on randomly sampled systems of one, two, and three qubits using machine-learning-based methods trained exclusively on systems containing at least one additional qubit. The reconstruction time required for machine-learning-based methods scales significantly more favorably than the training time; hence this technique can offer an overall savings of resources by leveraging a single neural network for dimension-variable state reconstruction, obviating the need to train dedicated machine-learning systems for each Hilbert space.
• Abstract（参考訳）: 我々は,$m$ qubitsのみをトレーニングした機械学習ベースの再構成システムを用いて,$m$ qubitsのシステム上で量子状態再構成を行うアプローチを提案する。 このアプローチは、トレーニングに使用されるモデルの次元と考慮中のシステムの次元を正確に一致させる必要性を取り除く。 我々は,1,2,3量子ビットのランダムサンプリングシステムに対して,少なくとも1つの追加量子ビットを含むシステムにのみ訓練された機械学習ベースの手法を用いて量子状態再構成を行う手法を実証した。 このテクニックは、次元可変状態再構成のために単一のニューラルネットワークを活用して、各ヒルベルト空間のための専用の機械学習システムをトレーニングする必要をなくし、リソースの全体的な節約を提供することができる。

関連論文リスト

• Automated quantum system modeling with machine learning [0.0]
  機械学習アルゴリズムは、簡単な量子力学測定のセットを考慮し、量子モデルを構築することができることを示す。 我々は、マルコフのオープン量子システムのシミュレーションを通して、ニューラルネットワークが有効状態の$N$を自動的に検出できることを示した。
  論文  参考訳（メタデータ） (2024-09-27T15:18:20Z)
• Experimental demonstration of reconstructing quantum states with generative models [0.44600863117978684]
  本稿では,プログラム可能な超伝導トランスモン量子ビットの配列を用いたニューラルネットワーク生成モデルに基づく量子状態の再構成実験を行った。 本研究は、複雑な量子デバイスを検証・特徴化するための機械学習技術を活用した興味深い可能性について実験的に示すものである。
  論文  参考訳（メタデータ） (2024-07-21T09:44:05Z)
• 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)
• Vertical Layering of Quantized Neural Networks for Heterogeneous Inference [57.42762335081385]
  量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。 理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
  論文  参考訳（メタデータ） (2022-12-10T15:57:38Z)
• Reconstructing complex states of a 20-qubit quantum simulator [0.6646556786265893]
  本稿では, 量子状態の多角化を効果的に再現する手法を示す。 我々は,ニューラルネットワークの量子状態表現に基づく手法と比較して,状態再構成の品質と収束の高速化を観察する。 本研究は,多体量子系のクエンチダイナミクスによって生成される複素状態の効率的な実験的評価への道を開くものである。
  論文  参考訳（メタデータ） (2022-08-09T15:52:20Z)
• Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
  本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。 既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。 1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
  論文  参考訳（メタデータ） (2022-07-13T08:52:13Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Training Multi-bit Quantized and Binarized Networks with A Learnable Symmetric Quantizer [1.9659095632676098]
  リソース制約のあるデバイスやクラウドプラットフォームにそれらをデプロイするには、ディープニューラルネットワークの重み付けとアクティベーションの定量化が不可欠だ。 双対化は量子化の特別な場合であるが、この極端な場合はしばしばいくつかの訓練の困難をもたらす。 双対化の困難を克服するため,uniq と呼ばれる統一量子化フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-04-01T02:33:31Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• On the experimental feasibility of quantum state reconstruction via machine learning [0.0]
  最大4量子ビットのシステムに対する機械学習に基づく量子状態再構成手法の資源スケーリングを決定する。 高次元システムのトモグラフィで遭遇する可能性が高い低カウント体制におけるシステム性能を検討する。 ibm q量子コンピュータ上で量子状態再構成手法を実装し,結果を確認した。
  論文  参考訳（メタデータ） (2020-12-17T07:51:47Z)
• Gradient $\ell_1$ Regularization for Quantization Robustness [70.39776106458858]
  トレーニング後の量子化に対するロバスト性を改善するための単純な正規化スキームを導出する。 量子化対応ネットワークをトレーニングすることにより、異なるビット幅にオンデマンドで量子化できる1組の重みを格納できる。
  論文  参考訳（メタデータ） (2020-02-18T12:31:34Z)

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。