論文の概要: Classification of four-qubit entangled states via Machine Learning
- arxiv url: http://arxiv.org/abs/2205.11512v2
- Date: Tue, 28 Mar 2023 07:28:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 19:54:12.094294
- Title: Classification of four-qubit entangled states via Machine Learning
- Title（参考訳）: 機械学習による四ビット交絡状態の分類
- Authors: S. V. Vintskevich, N. Bao, A. Nomerotski, P. Stankus, D.A. Grigoriev
- Abstract要約: 支援ベクトルマシン(SVM)アルゴリズムを用いて,絡み合った証人(EW)の集合を導出する。
EWは4量子状態の族における絡み合いパターンを同定する。
我々は,SVMアプローチが絡み合いの目撃者問題に対処するための有効なツールであることを数値的に検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We apply the support vector machine (SVM) algorithm to derive a set of
entanglement witnesses (EW) to identify entanglement patterns in families of
four-qubit states. The effectiveness of SVM for practical EW implementations
stems from the coarse-grained description of families of equivalent entangled
quantum states. The equivalence criteria in our work is based on the stochastic
local operations and classical communication (SLOCC) classification and the
description of the four-qubit entangled Werner states. We numerically verify
that the SVM approach provides an effective tool to address the entanglement
witness problem when the coarse-grained description of a given family state is
available. We also discuss and demonstrate the efficiency of nonlinear kernel
SVM methods as applied to four-qubit entangled state classification.
- Abstract（参考訳）: サポートベクターマシン (svm) アルゴリズムを適用し, 4量子状態の族における絡み合いパターンを同定するために, 絡み合い証人集合 (ew) を導出する。
実用EW実装におけるSVMの有効性は、等価な絡み合った量子状態の族を粗く記述することに由来する。
本研究における等価性基準は,確率的局所演算と古典的通信(SLOCC)分類と,四ビット交絡Werner状態の記述に基づく。
我々は,svmアプローチが,与えられた家族状態の粗粒度記述が利用可能である場合に,絡み合い証人問題に対処する効果的なツールであることを数値的に検証する。
また, 非線形カーネルsvm法の効率を, 4量子ビットエンタングル状態分類に適用して議論し, 実証する。
関連論文リスト
- Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。
提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文 参考訳（メタデータ） (2024-05-24T17:11:27Z) - An Exponential Reduction in Training Data Sizes for Machine Learning
Derived Entanglement Witnesses [45.17332714965704]
本稿では, 絡み付きビクターを生成するためのサポートベクターマシン (SVM) を用いたアプローチを提案する。
このアプローチのSVM部分は、$N$ qubitsの場合、トレーニングステートが$O(6N)であるのに対して、既存のメソッドは$O(24N)$である。
論文 参考訳（メタデータ） (2023-11-30T00:45:04Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳（メタデータ） (2022-09-22T09:04:10Z) - Chance constrained conic-segmentation support vector machine with
uncertain data [0.0]
サポートベクトルマシン(SVM)は、よく知られた学習アルゴリズムのクラスの一つである。
本稿では,CS-SVMのデータポイントの不確かさや誤動作について検討する。
論文 参考訳（メタデータ） (2021-07-28T12:29:47Z) - Machine-Learning-Derived Entanglement Witnesses [55.76279816849472]
本稿では,線形支援ベクトルマシン (SVM) と絡み合い目撃者の対応を示す。
我々はこの対応を利用して、二部類と三部類(およびキュビット)の絡み合った状態に対する絡み合いの証人を生成する。
論文 参考訳（メタデータ） (2021-07-05T22:28:02Z) - Hidden qubit cluster states [0.0]
連続可変クラスター状態(CVCS)は、ゴッテマン・キタエフ・プレスキル状態(GKP)で補うことができ、ハイブリッドクラスタ状態を形成する。
それぞれが論理サブシステムにまたがる"隠れた"量子ビットクラスタ状態を含んでいて、これは測定ベースの量子コンピューティングの実用性の中心にある。
論文 参考訳（メタデータ） (2021-03-22T03:13:54Z) - Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。
我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。
このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文 参考訳（メタデータ） (2021-02-23T20:22:56Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z)
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。