論文の概要: Quantum networks cannot generate graph states with high fidelity
- arxiv url: http://arxiv.org/abs/2208.12100v1
- Date: Thu, 25 Aug 2022 14:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-29 21:15:00.348383
- Title: Quantum networks cannot generate graph states with high fidelity
- Title(参考訳): 量子ネットワークは高忠実度グラフ状態を生成することができない
- Authors: Yi-Xuan Wang, Zhen-Peng Xu and Otfried G\"uhne
- Abstract要約: 量子ネットワークは、よく理解されていない局所性と相関の新たな概念をもたらす。
我々は、連結グラフから生じる全てのマルチキュービットグラフ状態が、任意の二部ネットワークから生じることができないことを証明した。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum networks lead to novel notions of locality and correlations which are
not well understood. An important problem concerns the question which states
can be experimentally prepared with a given network structure and which not. By
exploiting the inflation technique and symmetry analysis, we prove that all
multi-qubit graph states arising from a connected graph cannot originate from
any bipartite network. Moreover, the fidelity of a multi-qubit graph state and
any network state cannot exceed $9/10$. Similar results can also be established
for a large class of multi-qudit graph states. More specifically, the fidelity
of any prime-dimensional graph state and states prepared in a bipartite network
cannot exceed $0.95495$.
- Abstract(参考訳): 量子ネットワークは、よく理解されていない局所性と相関の新たな概念をもたらす。
重要な問題は、与えられたネットワーク構造で実験的に準備できる状態と、そうでない状態についてである。
インフレーション手法と対称性解析を利用して、連結グラフから生じる全てのマルチキュービットグラフ状態が、任意の二部ネットワークから発生できないことを示す。
さらに、マルチキュービットグラフ状態と任意のネットワーク状態の忠実性は、9/10$を超えることができない。
同様の結果は、多値グラフ状態の大きなクラスに対しても確立することができる。
より具体的には、任意の素次元グラフ状態と二部ネットワークで作成された状態の忠実度は0.95495$を超えない。
関連論文リスト
- Quantum Pair State Transfer on Isomorphic Branches [0.0]
ハイゼンベルク$XY$ハミルトニアンの量子ネットワークにおけるある種のペア状態の進化は、ネットワークの局所構造にのみ依存する。
高忠実度状態移動を持つグラフは、高忠実度ペア状態移動を示すために、大きな量子ネットワークの基盤となるグラフの同型分岐と見なすことができる。
論文 参考訳(メタデータ) (2024-02-11T01:18:10Z) - ResolvNet: A Graph Convolutional Network with multi-scale Consistency [47.98039061491647]
マルチスケール一貫性の概念を導入する。
グラフレベルでは、マルチスケールの一貫性は、異なる解像度で同じオブジェクトを記述する異なるグラフが同様の特徴ベクトルを割り当てるべきという事実を指す。
本稿では,リゾルダーの数学的概念に基づくフレキシブルグラフニューラルネットワークResolvNetを紹介する。
論文 参考訳(メタデータ) (2023-09-30T16:46:45Z) - KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph
Classification [13.419578861488226]
半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。
我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2022-05-21T10:03:46Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳(メタデータ) (2022-05-07T04:11:23Z) - Effects of Graph Convolutions in Deep Networks [8.937905773981702]
多層ネットワークにおけるグラフ畳み込みの効果に関する厳密な理論的理解を示す。
単一のグラフ畳み込みは、多層ネットワークがデータを分類できる手段間の距離のレギュレーションを拡大することを示す。
ネットワーク層間の異なる組み合わせに配置されたグラフ畳み込みの性能に関する理論的および実証的な知見を提供する。
論文 参考訳(メタデータ) (2022-04-20T08:24:43Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳(メタデータ) (2020-10-12T03:01:40Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳(メタデータ) (2020-09-30T04:59:10Z) - Verification of graph states in an untrusted network [0.0]
我々は、信頼できない情報源が生成し、おそらく不名誉な関係者のネットワーク間で共有されるグラフ状態の検証について検討する。
これは、様々な分散タスクに対するグラフ状態の適用の証明に影響を及ぼす。
有用なグラフ状態の大規模なファミリに対して,グローバルに効率的なプロトコルを提案する。
論文 参考訳(メタデータ) (2020-07-26T13:17:21Z) - Natural Graph Networks [80.77570956520482]
より一般的な自然性の概念がグラフネットワークを適切に定義するのに十分であることを示す。
グローバルおよびローカルな自然グラフネットワークを定義し、後者は従来のメッセージパッシンググラフニューラルネットワークと同じくらいスケーラブルである。
論文 参考訳(メタデータ) (2020-07-16T14:19:06Z) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳(メタデータ) (2020-02-19T11:04:49Z) - Generation and Robustness of Quantum Entanglement in Spin Graphs [0.0]
絡み合いは量子情報処理にとって重要な資源である。
グラフ構造を用いて高忠実な絡み合った状態を生成する方法を示す。
また,製造誤差が絡み合い発生プロトコルに与える影響についても検討する。
論文 参考訳(メタデータ) (2020-02-18T16:11:57Z)
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。