論文の概要: Entanglement entropy production in Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2206.02474v1
• Date: Mon, 6 Jun 2022 10:17:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 09:41:15.992954
• Title: Entanglement entropy production in Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワークにおけるエンタングルメントエントロピー生成
• Authors: Marco Ballarin, Stefano Mangini, Simone Montangero, Chiara Macchiavello and Riccardo Mengoni
• Abstract要約: 量子ニューラルネットワーク(QNN)は、ノイズ中間スケール量子コンピュータ時代において量子優位を達成するための候補と考えられている。 任意のQNNアーキテクチャに対して,エンタングルメントエントロピー生成の普遍的挙動を示す。 本稿では,QNNにおける絡み合い生成を特徴付ける新しい指標として,絡み合いの速度について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNN) are considered a candidate for achieving quantum advantage in the Noisy Intermediate Scale Quantum computer (NISQ) era. Several QNN architectures have been proposed and successfully tested on benchmark datasets for machine learning. However, quantitative studies of the QNN-generated entanglement have not been investigated in details, and only for up to few qubits. Tensor network methods allow to emulate quantum circuits with a large number of qubits in a wide variety of scenarios. Here, we employ matrix product states to characterize recently studied QNN architectures with up to fifty qubits showing that their entanglement, measured in terms of entanglement entropy between qubits, tends to that of Haar distributed random states as the depth of the QNN is increased. We show a universal behavior for the entanglement entropy production for any given QNN architecture, consequently we introduce a new measure to characterize the entanglement production in QNNs: the entangling speed. Finally, in agreement with known results in the literature, we argue that the most promising regime for quantum advantage with QNNs is defined by a trade-off between high entanglement and expressibility.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、ノイズ中間スケール量子コンピュータ(NISQ)時代において量子優位性を達成するための候補と考えられている。 いくつかのQNNアーキテクチャが提案され、機械学習のベンチマークデータセットで成功した。 しかし、QNN生成エンタングルメントの定量的研究は詳細は研究されておらず、最大で数量子ビットしか研究されていない。 テンソルネットワーク法では、様々なシナリオで多数の量子ビットを持つ量子回路をエミュレートすることができる。 本稿では,最近研究されたQNNアーキテクチャを,最大50量子ビットで特徴付けるために行列積状態を用いて,量子ビット間の絡み合いのエントロピーで測定されたその絡み合いが,QNNの深さが増加するにつれて,Haar分布ランダム状態の傾向を示す。 任意のqnnアーキテクチャにおける絡み合いエントロピー生成に対する普遍的な振る舞いを示し,qnnにおける絡み合い生成を特徴付ける新しい手法である絡み合い速度を提案する。 最後に、文献における既知の結果と一致して、QNNによる量子優位性の最も有望な規則は、高い絡み合いと表現性の間のトレードオフによって定義されると論じる。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
  本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。 我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。 量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
  論文  参考訳（メタデータ） (2023-08-09T07:17:13Z)
• Quantum Recurrent Neural Networks for Sequential Learning [11.133759363113867]
  近いうちに量子優位性のあるアプリケーションを見つけるために,新しい種類の量子リカレントニューラルネットワーク(QRNN)を提案する。 我々のQRNNは、量子デバイスのコヒーレント時間に関してアルゴリズムの要求を大幅に削減できる、停滞した方法でQRBを積み重ねることによって構築されます。 数値実験により,我々のQRNNは古典的RNNと最先端QNNモデルに対する予測(分類)精度が向上し,逐次学習が可能となった。
  論文  参考訳（メタデータ） (2023-02-07T04:04:39Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Absence of Barren Plateaus in Quantum Convolutional Neural Networks [0.0]
  量子畳み込みニューラルネットワーク(QCNN)が提案されている。 我々はQCNNアーキテクチャのパラメータの勾配スケーリングを厳格に分析する。
  論文  参考訳（メタデータ） (2020-11-05T16:46:13Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。