論文の概要: Unsupervised Interpretable Learning of Phases From Many-Qubit Systems

• arxiv url: http://arxiv.org/abs/2208.08850v1
• Date: Thu, 18 Aug 2022 14:35:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 17:52:55.431530
• Title: Unsupervised Interpretable Learning of Phases From Many-Qubit Systems
• Title（参考訳）: 多ビット系からの位相の教師なし解釈型学習
• Authors: Nicolas Sadoune, Giuliano Giudici, Ke Liu, Lode Pollet
• Abstract要約: 短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。 我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
• 参考スコア（独自算出の注目度）: 2.4352963290061993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experimental progress in qubit manufacturing calls for the development of new theoretical tools to analyze quantum data. We show how an unsupervised machine-learning technique can be used to understand short-range entangled many-qubit systems using data of local measurements. The method successfully constructs the phase diagram of a cluster-state model and detects the respective order parameters of its phases, including string order parameters. For the toric code subject to external magnetic fields, the machine identifies the explicit forms of its two stabilizers. Prior information of the underlying Hamiltonian or the quantum states is not needed; instead, the machine outputs their characteristic observables. Our work opens the door for a first-principles application of hybrid algorithms that aim at strong interpretability without supervision.
• Abstract（参考訳）: 量子ビット製造の実験的進歩は、量子データを分析する新しい理論ツールの開発を要求する。 局所的な測定データを用いて、近距離多ビットシステムを理解するために教師なしの機械学習技術を用いる方法を示す。 本手法は,クラスタ状態モデルの位相図の構築に成功し,文字列順序パラメータを含む各位相の順序パラメータを検出する。 外部磁場を受けるトーリック符号に対して、マシンは2つの安定化器の明示的な形を特定する。 基礎となるハミルトン状態や量子状態の以前の情報は必要ない。 我々の研究は、監督なしで強力な解釈可能性を目指すハイブリッドアルゴリズムの第一原理応用の扉を開く。

関連論文リスト

• Learning symmetry-protected topological order from trapped-ion experiments [0.36278044026379325]
  我々は、トラップイオン量子コンピュータによって生成された実験データを解析するために、テンソルカーネルサポートベクターマシン(TK-SVM)を用いる。 この教師なしの手法は直接解釈可能な訓練パラメータの恩恵を受け、非自明な弦順特徴化対称性保護トポロジカル位相(SPT)を識別することができる。 以上の結果から,TK-SVM法はノイズの多い実験データセットの2つの位相を識別することに成功した。
  論文  参考訳（メタデータ） (2024-08-09T12:08:59Z)
• In-Context Convergence of Transformers [63.04956160537308]
  勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。 不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
  論文  参考訳（メタデータ） (2023-10-08T17:55:33Z)
• 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)
• Machine learning discovery of new phases in programmable quantum simulator snapshots [13.017475975364562]
  我々は、ハイブリッド相関畳み込みニューラルネットワーク(Hybrid-CCNN)の解釈不能な教師なしハイブリッド機械学習アプローチを導入する。 プログラム可能な相互作用を持つ正方格子上の新しい量子位相の解析にHybrid-CCNNを適用する。 これらの観測は、プログラム可能な量子シミュレータと機械学習の組み合わせが、相関する量子状態の詳細な探索のための強力なツールとして利用できることを示した。
  論文  参考訳（メタデータ） (2021-12-20T19:00:02Z)
• Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks [0.0]
  システム分割の絡み合いスペクトルを用いてGAN(Geneversarative Adrial Network)を訓練する。 異なる1次元モデルでギャップのない位相遷移を同定することができる。
  論文  参考訳（メタデータ） (2021-10-11T16:19:17Z)
• Quantum evolution kernel : Machine learning on graphs with programmable arrays of qubits [0.0]
  本稿では,量子系の時間進化に基づいて,グラフ構造データ間の類似度を測定する手法を提案する。 システムのハミルトニアンにおける入力グラフの位相を符号化することにより、進化はデータの重要な特徴を保持する測定サンプルを生成する。 本手法は,典型的なベンチマークデータセット上での標準グラフカーネルと比較して性能がよいことを示す。
  論文  参考訳（メタデータ） (2021-07-07T14:25:18Z)
• 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)
• 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)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Unsupervised machine learning of quantum phase transitions using diffusion maps [77.34726150561087]
  本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。 この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
  論文  参考訳（メタデータ） (2020-03-16T18:40:13Z)

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。