論文の概要: Learning quantum systems via out-of-time-order correlators
- arxiv url: http://arxiv.org/abs/2208.02254v1
- Date: Wed, 3 Aug 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 09:57:34.818298
- Title: Learning quantum systems via out-of-time-order correlators
- Title（参考訳）: 時間外相関器による量子システム学習
- Authors: Thomas Schuster and Murphy Niu and Jordan Cotler and Thomas O'Brien
and Jarrod R. McClean and Masoud Mohseni
- Abstract要約: 時間外相関器は、強い相互作用を持つシステムの学習性を大幅に向上させることができることを示す。
我々はこれらの利点を様々な学習問題で数値的に特徴づけ、読み出し誤りとデコヒーレンスの両方に頑健であることがわかった。
- 参考スコア（独自算出の注目度）: 0.27961972519572437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning the properties of dynamical quantum systems underlies applications
ranging from nuclear magnetic resonance spectroscopy to quantum device
characterization. A central challenge in this pursuit is the learning of
strongly-interacting systems, where conventional observables decay quickly in
time and space, limiting the information that can be learned from their
measurement. In this work, we introduce a new class of observables into the
context of quantum learning -- the out-of-time-order correlator -- which we
show can substantially improve the learnability of strongly-interacting systems
by virtue of displaying informative physics at large times and distances. We
identify two general scenarios in which out-of-time-order correlators provide a
significant advantage for learning tasks in locally-interacting systems: (i)
when experimental access to the system is spatially-restricted, for example via
a single "probe" degree of freedom, and (ii) when one desires to characterize
weak interactions whose strength is much less than the typical interaction
strength. We numerically characterize these advantages across a variety of
learning problems, and find that they are robust to both read-out error and
decoherence. Finally, we introduce a binary classification task that can be
accomplished in constant time with out-of-time-order measurements. In a
companion paper, we prove that this task is exponentially hard with any
adaptive learning protocol that only involves time-ordered operations.
- Abstract（参考訳）: 動的量子システムの特性を学習することは、核磁気共鳴分光から量子デバイス特性まで幅広い応用の基盤となる。
この追求における中心的な課題は、従来の観測対象が時間と空間で急速に崩壊し、測定から学べる情報を制限する、強い相互作用を持つシステムの学習である。
本研究では,時間外相関器である量子学習の文脈に観測可能な新しいクラスを導入し,情報物理を大規模・遠隔で表示することにより,強相互作用系の学習性を大幅に向上させることができることを示す。
時間外相関が局所的相互作用システムにおける学習課題に重要な利点をもたらす2つの一般的なシナリオを同定する。
i) 実験的なシステムへのアクセスが空間的に制限されている場合、例えば、単一の「プローブ」自由度で、
(II) 強度が通常の相互作用強度よりもはるかに小さい弱い相互作用を特徴づけたい場合。
我々はこれらの利点を様々な学習問題で数値的に特徴づけ、読み出し誤りとデコヒーレンスの両方に頑健であることがわかった。
最後に,時間外測定で一定の時間内に達成可能なバイナリ分類タスクを導入する。
本稿では,時間順演算のみを含む適応学習プロトコルにおいて,この課題が指数関数的に難しいことを実証する。
関連論文リスト
- Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - Learning quantum properties from short-range correlations using multi-task networks [3.7228085662092845]
相関長が一定である多体量子状態の様々な量子特性を予測できるニューラルネットワークモデルを提案する。
このモデルはマルチタスク学習の技術に基づいており、従来のシングルタスクアプローチよりもいくつかの利点があることを示す。
論文 参考訳（メタデータ） (2023-10-18T08:53:23Z) - 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) - Exponential separations between classical and quantum learners [2.209921757303168]
我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。
本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
論文 参考訳（メタデータ） (2023-06-28T08:55:56Z) - Information-theoretic Hardness of Out-of-time-order Correlators [0.36832029288386126]
時間外相関器へのアクセスが与えられると、量子多体力学の特性が効率的に学習可能であることが確認できる。
これは、時間順の相関子からのみOTOCを再構成する実験的なプロトコルは、ある場合には指数関数的に非効率でなければならないことを意味する。
論文 参考訳（メタデータ） (2022-08-03T18:00:00Z) - Quantifying Unknown Quantum Entanglement via a Hybrid Quantum-Classical
Machine Learning Framework [1.8689488822130746]
本稿では,未知の絡み合いを定量化する2つの機械学習手法の性能を比較する。
本稿では,この問題に対するハイブリッド量子古典機械学習フレームワークを提案する。そこでは,最適な局所測定を訓練して,より情報的な相関データを生成する。
シミュレーションにより,新しいフレームワークは未知の絡み合いを定量化するためのモーメントに基づく手法に匹敵する性能をもたらすことが示された。
論文 参考訳（メタデータ） (2022-04-25T08:29:24Z) - 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) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Probing quantum information propagation with out-of-time-ordered
correlators [41.12790913835594]
小型の量子情報プロセッサは、多体量子システムを効率的にエミュレートする約束を持っている。
ここでは、時間外順序付き相関器(OTOC)の測定を実演する。
我々の実験における中心的な要件は、時間進化をコヒーレントに逆転させる能力である。
論文 参考訳（メタデータ） (2021-02-23T15:29:08Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - 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。
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。