Fugu-MT 論文翻訳(概要): Adaptive Online Learning of Quantum States

論文の概要: Adaptive Online Learning of Quantum States

arxiv url: http://arxiv.org/abs/2206.00220v1
Date: Wed, 1 Jun 2022 04:08:57 GMT
ステータス: 処理完了
システム内更新日: 2022-06-03 04:50:34.052319
Title: Adaptive Online Learning of Quantum States
Title（参考訳）: 量子状態の適応的オンライン学習
Authors: Xinyi Chen, Elad Hazan, Tongyang Li, Zhou Lu, Xinzhao Wang, Rui Yang
Abstract要約: 本稿では、適応的なオンライン学習から変化状態を学ぶためのツールを採用する。解析は複素行列解析のツールを用いて複素数に対処する。
参考スコア（独自算出の注目度）: 36.954620554012834
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the fundamental problem of shadow tomography, the goal is to efficiently learn an unknown $d$-dimensional quantum state using projective measurements. However, it is rarely the case that the underlying state remains stationary: changes may occur due to measurements, environmental noise, or an underlying Hamiltonian state evolution. In this paper we adopt tools from adaptive online learning to learn a changing state, giving adaptive and dynamic regret bounds for online shadow tomography that are polynomial in the number of qubits and sublinear in the number of measurements. Our analysis utilizes tools from complex matrix analysis to cope with complex numbers, which may be of independent interest in online learning. In addition, we provide numerical experiments that corroborate our theoretical results.
Abstract（参考訳）: シャドウトモグラフィーの基本的な問題は、射影測定を用いて未知の$d$次元量子状態を効率的に学習することである。しかし、基礎となる状態が静止している場合はほとんどなく、測定、環境騒音、または基礎となるハミルトン状態の進化によって変化が起こることがある。本稿では,適応的オンライン学習のツールを用いて変化状態の学習を行い,オンラインシャドウトモグラフィにおいて,キュービット数と測定値のサブリニアの多項式である適応的および動的後悔境界を与える。本分析は,オンライン学習に独立した関心を持つ複雑な数を扱うために,複素行列解析のツールを利用する。さらに,理論結果と相関する数値実験を行う。

関連論文リスト

Learning topological states from randomized measurements using variational tensor network tomography [0.4818215922729967]
量子状態の忠実な表現を学ぶことは、量子プロセッサ上で生成される多体状態の多様性を完全に特徴づけるのに不可欠である。本研究では,テンソルネットワーク上の変分最適化とランダムな計測手法を組み合わせたトモグラフィー手法の実装と検討を行う。我々は、実験により実現可能な量子スピン液体状態と同様に、表面符号の基底状態を学ぶ能力を示す。
論文参考訳（メタデータ） (2024-05-31T21:05:43Z)
Revisiting Dynamic Evaluation: Online Adaptation for Large Language Models [88.47454470043552]
我々は、動的評価(動的評価)としても知られる、テスト時の言語モデルのパラメータをオンラインで微調整する問題を考察する。オンライン適応はパラメータを時間的に変化する状態に変換し、メモリを重み付けしたコンテキスト長拡張の形式を提供する。
論文参考訳（メタデータ） (2024-03-03T14:03:48Z)
Neural-network quantum states for many-body physics [0.0]
変分量子計算は、機械学習コミュニティから多くのツールやアルゴリズムを借りている。ディープラーニング問題にインスパイアされた試行状態は、スピン、フェルミオン、キュービット系の多体相関現象を正確にモデル化することができる。第一原理基底状態と実時間計算の最近の結果の概要について述べる。
論文参考訳（メタデータ） (2024-02-16T19:00:01Z)
Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-04-27T17:42:24Z)
Efficient Quantum State Tracking in Noisy Environments [10.762101459838052]
本稿では,光子の横方向空間モードに符号化された量子ドット系における行列励起勾配トモグラフィの実験的実装について述べる。定常および進化状態における本手法の性能および環境騒音について検討し,すべての事例において95%程度の忠実度を求める。
論文参考訳（メタデータ） (2022-05-12T22:32:14Z)
Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文参考訳（メタデータ） (2021-08-09T18:00:05Z)
Adaptive Quantization of Model Updates for Communication-Efficient Federated Learning [75.45968495410047]
クライアントノードと中央集約サーバ間のモデル更新の通信は、連合学習において大きなボトルネックとなる。グラディエント量子化(Gradient Quantization)は、各モデル更新間の通信に必要なビット数を削減する効果的な方法である。通信効率と低エラーフロアを実現することを目的としたAdaFLと呼ばれる適応量子化戦略を提案する。
論文参考訳（メタデータ） (2021-02-08T19:14:21Z)
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)
AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文参考訳（メタデータ） (2020-06-11T16:36:31Z)

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。