論文の概要: Many-body localized hidden Born machine

• arxiv url: http://arxiv.org/abs/2207.02346v1
• Date: Tue, 5 Jul 2022 22:38:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 13:15:40.582597
• Title: Many-body localized hidden Born machine
• Title（参考訳）: 多体局所化隠しボーンマシン
• Authors: Weishun Zhong, Xun Gao, Susanne F. Yelin, Khadijeh Najafi
• Abstract要約: マルチボディローカライズド・マシン(MBL)と呼ばれる新しいアーキテクチャを提案する。 MBL隠されたBornマシンはMNIST手書き桁のパターンからなるおもちゃのデータセットを学習可能であることを数値的に示す。
• 参考スコア（独自算出の注目度）: 1.382143546774115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Born Machines are quantum-inspired generative models that leverage the probabilistic nature of quantum states. Here, we present a new architecture called many-body localized (MBL) hidden Born machine that uses both MBL dynamics and hidden units as learning resources. We theoretically prove that MBL Born machines possess more expressive power than classical models, and the introduction of hidden units boosts its learning power. We numerically demonstrate that the MBL hidden Born machine is capable of learning a toy dataset consisting of patterns of MNIST handwritten digits, quantum data obtained from quantum many-body states, and non-local parity data. In order to understand the mechanism behind learning, we track physical quantities such as von Neumann entanglement entropy and Hamming distance during learning, and compare the learning outcomes in the MBL, thermal, and Anderson localized phases. We show that the superior learning power of the MBL phase relies importantly on both localization and interaction. Our architecture and algorithm provide novel strategies of utilizing quantum many-body systems as learning resources, and reveal a powerful connection between disorder, interaction, and learning in quantum systems.
• Abstract（参考訳）: ボルンマシンは量子状態の確率論的性質を利用する量子に触発された生成モデルである。 本稿では,MBLダイナミックスと隠れユニットの両方を学習資源として利用する多体ローカライズドマシン(MBL)という新しいアーキテクチャを提案する。 理論的には、MBL Bornマシンは古典モデルよりも表現力が高いことが証明され、隠れユニットの導入によって学習能力が向上する。 我々は,mnist手書き桁のパターン,量子多体状態から得られた量子データ,非局所パリティデータからなる玩具データセットをmblhidden born machineが学習できることを数値的に示す。 学習の背後にあるメカニズムを理解するため,学習中のフォン・ノイマンの絡み合いやハミング距離などの物理量を追跡し,MBL,熱,アンダーソンの局所化位相における学習結果を比較する。 MBL位相の優れた学習能力は、局所化と相互作用の両方に大きく依存していることを示す。 本手法は,量子多体系を学習資源として利用する新しい手法を提供し,無秩序,相互作用,学習の強力な関連を明らかにする。

関連論文リスト

• Generative quantum machine learning via denoising diffusion probabilistic models [17.439525936236166]
  量子データの効率よく学習可能な生成学習を実現するために,QuDDPM(quantum denoising diffusion probabilistic Model)を提案する。 本稿では,量子ノイズモデル,量子多体位相,および量子データの位相構造を学習するQuDDPMの機能を示す。
  論文  参考訳（メタデータ） (2023-10-09T17:03:08Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Unified Quantum State Tomography and Hamiltonian Learning Using Transformer Models: A Language-Translation-Like Approach for Quantum Systems [0.47831562043724657]
  本稿では,量子状態トモグラフィとハミルトン学習を効果的に融合させるため,変圧器モデルに注意機構を取り入れた新しいアプローチを提案する。 簡単な2量子ビットの場合から、より複雑な2次元反強磁性ハイゼンベルク構造まで、様々な量子系におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-24T11:20:44Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• 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)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• A Unified Framework for Quantum Supervised Learning [0.7366405857677226]
  トレーニング可能な量子回路を用いた教師あり学習のための埋め込み型フレームワークを提案する。 これらのアプローチの目的は、異なるクラスからヒルベルト空間の分離された位置へ、量子的特徴写像を通してデータをマッピングすることである。 我々は、明示的なアプローチと他の量子教師あり学習モデルとの本質的な接続を確立する。
  論文  参考訳（メタデータ） (2020-10-25T18:43:13Z)
• 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。