Fugu-MT 論文翻訳(概要): Classical and quantum machine learning applications in spintronics

論文の概要: Classical and quantum machine learning applications in spintronics

arxiv url: http://arxiv.org/abs/2207.12837v1
Date: Tue, 26 Jul 2022 12:10:49 GMT
ステータス: 処理完了
システム内更新日: 2023-02-03 17:02:27.127371
Title: Classical and quantum machine learning applications in spintronics
Title（参考訳）: スピントロニクスにおける古典的および量子機械学習の応用
Authors: Kumar Ghosh and Sumit Ghosh
Abstract要約: 機械学習アルゴリズムが導電性の非線形性をいかに予測できるかを示す。大規模な構成空間を扱う能力を有する量子機械学習の適用性について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this article we demonstrate the applications of classical and quantum machine learning in quantum transport and spintronics. With the help of a two terminal device with magnetic impurity we show how machine learning algorithms can predict the highly non-linear nature of conductance as well as the non-equilibrium spin response function for any random magnetic configuration. We finally describe the applicability of quantum machine learning which has the capability to handle a significantly large configuration space. Our approach is also applicable for molecular systems. These outcomes are crucial in predicting the behaviour of large scale systems where a quantum mechanical calculation is computationally challenging and therefore would play a crucial role in designing nano devices.
Abstract（参考訳）: 本稿では、量子輸送とスピントロニクスにおける古典的および量子機械学習の応用を実証する。磁気不純物を持つ2つの端末装置の助けを借りて、ランダムな磁気構成のための非平衡スピン応答関数と同様に、コンダクタンスの非線形特性を機械学習アルゴリズムがどのように予測できるかを示す。最後に、非常に大きな構成空間を扱う能力を持つ量子機械学習の適用性について説明する。このアプローチは分子システムにも適用できる。これらの結果は、量子力学計算が計算的に困難である大規模システムの挙動を予測する上で重要であり、したがってナノデバイスの設計において重要な役割を果たす。

関連論文リスト

The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文参考訳（メタデータ） (2024-08-19T12:18:07Z)
A Kerr kernel quantum learning machine [0.0]
超伝導量子回路に基づく量子ハードウェアカーネルの実装手法を提案する。このスキームは量子ビットや量子回路を使用せず、カーモードのアナログ特性を利用する。
論文参考訳（メタデータ） (2024-04-02T09:50:33Z)
A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。量子ニューラルネットワークの潜在的な利点を例に挙げる。
論文参考訳（メタデータ） (2024-02-22T16:48:17Z)
Thermodynamics of quantum trajectories on a quantum computer [0.0]
オープンシステム力学は、興味あるシステムをアシラに結合することで量子コンピュータ上でシミュレートされる。所望の性質を持つ量子軌道の確率を高めるために、開系の力学を制御する方法を示す。
論文参考訳（メタデータ） (2023-01-17T19:00:03Z)
Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2023-01-04T23:37:45Z)
Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文参考訳（メタデータ） (2022-04-26T09:52:02Z)
Quantum circuits for the preparation of spin eigenfunctions on quantum computers [63.52264764099532]
ハミルトン対称性は、関連する多粒子波動関数を分類するための重要な道具である。この研究は、量子コンピュータ上の全スピン固有関数の正確かつ近似的な準備のための量子回路を提示する。
論文参考訳（メタデータ） (2022-02-19T00:21:46Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Expressibility and trainability of parameterized analog quantum systems for machine learning applications [0.0]
システム内の外部駆動と障害の相互作用が、相互作用する量子システムのトレーニング可能性と表現可能性をどのように規定しているかを示す。我々の研究は、量子多体物理学と機械学習への応用の基本的な関連性を示している。
論文参考訳（メタデータ） (2020-05-22T14:59:42Z)
Quantum Machine Learning using Gaussian Processes with Performant Quantum Kernels [0.0]
量子コンピュータを用いて1次元および多次元回帰の機械学習タスクを実行する。我々は、シミュレーションとハードウェアの両方において、量子デバイスが、古典的なインスピレーションよりも少なくとも何倍も優れた機械学習タスクを実行できることを実証した。
論文参考訳（メタデータ） (2020-04-23T16:09:14Z)
Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。