論文の概要: Adaptive Online Learning of Quantum States
- arxiv url: http://arxiv.org/abs/2206.00220v2
- Date: Mon, 9 Sep 2024 14:56:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 06:18:42.506865
- 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: シャドウトモグラフィーとも呼ばれる効率的な量子状態学習の問題は、POVMを通して未知の$d$次元量子状態を理解することを目的としている。
本稿では、適応型オンライン学習の手法を活用して、このような状態変化に追従する。
オンラインシャドウトモグラフィーには適応的かつ動的な後悔が伴うが、これは測定数におけるキュービット数とサブリニア数である。
- 参考スコア(独自算出の注目度): 28.661884007838736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of efficient quantum state learning, also called shadow tomography, aims to comprehend an unknown $d$-dimensional quantum state through POVMs. Yet, these states are rarely static; they evolve due to factors such as measurements, environmental noise, or inherent Hamiltonian state transitions. This paper leverages techniques from adaptive online learning to keep pace with such state changes. The key metrics considered for learning in these mutable environments are enhanced notions of regret, specifically adaptive and dynamic regret. We present adaptive and dynamic regret bounds for online shadow tomography, which are polynomial in the number of qubits and sublinear in the number of measurements. To support our theoretical findings, we include numerical experiments that validate our proposed models.
- Abstract(参考訳): 効率的な量子状態学習(シャドウトモグラフィーとも呼ばれる)の問題は、POVMを通して未知の$d$次元の量子状態を理解することを目的としている。
これらの状態は、測定、環境ノイズ、または固有のハミルトン状態遷移などの要因によって進化する。
本稿では、適応型オンライン学習の手法を活用して、このような状態変化に追従する。
これらの変更可能な環境で学習するために考慮される重要な指標は、後悔の概念、特に適応性、ダイナミックな後悔の概念の強化である。
本稿では,オンラインシャドウトモグラフィーにおける適応的および動的後悔境界について述べる。
理論的な結果を支持するために,提案したモデルを検証する数値実験を含む。
関連論文リスト
- Online learning of quantum processes [1.3749490831384268]
パウリのチャネルと同様に、境界ゲートの複雑さは、オンライン学習の後悔とミスバウンドモデルでオンラインに学習できることを示します。
また,パウリ流路に対する試料効率の高いシャドウトモグラフィー法も提案する。
我々の研究は、量子チャネルのクラスおよびより一般的には非マルコフ量子プロセスに対するオンライン学習の研究を開始する。
論文 参考訳(メタデータ) (2024-06-06T16:54:20Z) - 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) - 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 the tensor network model of a quantum state using a few
single-qubit measurements [0.0]
人工量子システムの次元性は常に増大し、その特徴付けとベンチマークのために非常に効率的な方法が要求される。
本稿では,未知の量子系のテンソルネットワークモデルを学習する構成的かつ数値的に効率的なプロトコルを提案する。
論文 参考訳(メタデータ) (2023-09-01T11:11:52Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - DeepPhysics: a physics aware deep learning framework for real-time
simulation [0.0]
データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。
ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。
その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
論文 参考訳(メタデータ) (2021-09-17T12:15:47Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳(メタデータ) (2021-06-23T03:43:10Z) - 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) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳(メタデータ) (2020-02-26T18:21:34Z)
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。