Fugu-MT 論文翻訳(概要): Neural-network quantum state tomography

論文の概要: Neural-network quantum state tomography

arxiv url: http://arxiv.org/abs/2206.06736v1
Date: Tue, 14 Jun 2022 10:37:54 GMT
ステータス: 処理完了
システム内更新日: 2023-02-09 09:43:17.045143
Title: Neural-network quantum state tomography
Title（参考訳）: ニューラルネットワーク量子状態トモグラフィ
Authors: D. Koutny, L. Motka, Z. Hradil, J. Rehacek and L. L. Sanchez-Soto
Abstract要約: 我々は、量子状態トモグラフィーへのニューラルネットワーク技術の適用を再考する。我々は、標準フィードフォワードニューラルネットワークからの出力を量子状態の有効な記述に変換する訓練されたネットワークで、正の制約をうまく実装できることを確認した。
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 revisit the application of neural networks techniques to quantum state tomography. We confirm that the positivity constraint can be successfully implemented with trained networks that convert outputs from standard feed-forward neural networks to valid descriptions of quantum states. Any standard neural-network architecture can be adapted with our method. Our results open possibilities to use state-of-the-art deep-learning methods for quantum state reconstruction under various types of noise.
Abstract（参考訳）: 我々は、量子状態トモグラフィーへのニューラルネットワーク技術の適用を再考する。正値性制約は、標準フィードフォワードニューラルネットワークからの出力を量子状態の正当な記述に変換する訓練されたネットワークでうまく実装できることを確認した。標準的なニューラルネットアーキテクチャは、私たちの方法で適応できます。その結果,様々な雑音下での量子状態再構成に最先端の深層学習法を用いる可能性が開けた。

関連論文リスト

Universal Quantum Tomography With Deep Neural Networks [0.0]
純量子状態トモグラフィーと混合量子状態トモグラフィーの両方に対する2つのニューラルネットワークに基づくアプローチを提案する。提案手法は,実験データから混合量子状態の再構成を行なえることを示す。
論文参考訳（メタデータ） (2024-07-01T19:09:18Z)
Enhancing quantum state tomography via resource-efficient attention-based neural networks [0.0]
本稿では,標準的な量子状態再構成手法とアテンションに基づくニューラルネットワークアーキテクチャを組み合わせた新しい量子状態トモグラフィープロトコルを提案する。提案手法は線形反転と最大類似度推定よりも平均忠実度再構成を改善することができることを示す。
論文参考訳（メタデータ） (2023-09-19T13:46:21Z)
Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文参考訳（メタデータ） (2022-11-29T13:32:38Z)
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)
QDCNN: Quantum Dilated Convolutional Neural Network [1.52292571922932]
量子拡張畳み込みニューラルネットワーク(QDCNN)と呼ばれる新しいハイブリッド量子古典型アルゴリズムを提案する。提案手法は,現代のディープラーニングアルゴリズムに広く応用されている拡張畳み込みの概念を,ハイブリッドニューラルネットワークの文脈にまで拡張する。提案したQDCNNは,量子畳み込み過程において,計算コストを低減しつつ,より大きなコンテキストを捉えることができる。
論文参考訳（メタデータ） (2021-10-29T10:24:34Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文参考訳（メタデータ） (2021-03-08T17:24:29Z)
Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文参考訳（メタデータ） (2021-03-03T16:10:15Z)
Classification and reconstruction of optical quantum states with deep neural networks [1.1470070927586016]
我々は、量子状態の分類と再構成にディープ・ニューラル・ネットワーク技術を適用した。ノイズの有無やデータが少ない場合でも,高い分類精度と再現率を示す。我々は,条件付き生成対向ネットワーク(QST-CGAN)を用いた[arXiv:2008.03240]QST手法のさらなる実演を行う。
論文参考訳（メタデータ） (2020-12-03T18:58:16Z)
Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。