論文の概要: Quantification of entanglement with Siamese convolutional neural
networks
- arxiv url: http://arxiv.org/abs/2210.07410v1
- Date: Thu, 13 Oct 2022 23:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:26:28.998973
- Title: Quantification of entanglement with Siamese convolutional neural
networks
- Title（参考訳）: シアム畳み込みニューラルネットワークによる絡み合いの定量化
- Authors: Jaros{\l}aw Paw{\l}owski and Mateusz Krawczyk
- Abstract要約: 我々は、絡み合いの存在を認識し予測できる畳み込み層からなるモデルを構築します。
合成データセット上でモデルをトレーニングすることで、モデルの精度が異なり、そのような状態を検出できることを実証する。
- 参考スコア（独自算出の注目度）: 4.56877715768796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum entanglement is a fundamental property commonly used in various
quantum information protocols and algorithms. Nonetheless, the problem of
quantifying entanglement has still not reached general solution for systems
larger than two qubits. In this paper, we investigate the possibility of
detecting entanglement with the use of the supervised machine learning method,
namely the deep convolutional neural networks. We build a model consisting of
convolutional layers, which is able to recognize and predict the presence of
entanglement for any bipartition of the given multi-qubit system. We
demonstrate that training our model on synthetically generated datasets
collecting random density matrices, which either include or exclude challenging
positive-under-partial-transposition entangled states (PPTES), leads to the
different accuracy of the model and its possibility to detect such states.
Moreover, it is shown that enforcing entanglement-preserving symmetry
operations (local operations on qubit or permutations of qubits) by using
triple Siamese network, can significantly increase the model performance and
ability to generalize on types of states not seen during the training stage. We
perform numerical calculations for 3,4 and 5-qubit systems, therefore proving
the scalability of the proposed approach.
- Abstract（参考訳）: 量子絡み合いは、様々な量子情報プロトコルやアルゴリズムで一般的に使用される基本的な性質である。
それでも、絡み合いの定量化の問題は、2量子ビットを超える系の一般解には至っていない。
本稿では,教師付き機械学習手法である深層畳み込みニューラルネットワークを用いて,絡み合い検出の可能性について検討する。
我々は,畳み込み層からなるモデルを構築し,与えられたマルチ量子ビットシステムの任意の2分割に対する絡み合いの存在を認識・予測する。
そこで本研究では,ランダムな密度行列を収集するデータ集合を合成的に生成したモデルにトレーニングすることで,モデルの精度や検出可能性に違いがあることを実証する。
さらに,三重シアームネットワークを用いた絡み合い保存対称性演算(量子ビットの局所演算や量子ビットの置換)の実施により,トレーニング段階で見ない状態の一般化とモデル性能の大幅な向上が期待できることを示した。
3,4および5量子ビット系の数値計算を行い,提案手法のスケーラビリティを実証した。
関連論文リスト
- Automated quantum system modeling with machine learning [0.0]
機械学習アルゴリズムは、簡単な量子力学測定のセットを考慮し、量子モデルを構築することができることを示す。
我々は、マルコフのオープン量子システムのシミュレーションを通して、ニューラルネットワークが有効状態の$N$を自動的に検出できることを示した。
論文 参考訳（メタデータ） (2024-09-27T15:18:20Z) - Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。
我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
論文 参考訳（メタデータ） (2024-09-15T22:44:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Entanglement Verification with Deep Semi-supervised Machine Learning [10.587454514254423]
ラベル付きデータの少ない部分とラベル付きデータの少ない部分を持つ深層半教師付き学習モデルを提案する。
我々は,従来の教師付き学習モデルと比較して,モデルが優れた一般化能力を持ち,精度が向上することを確認した。
論文 参考訳（メタデータ） (2023-08-29T15:41:04Z) - 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) - Understanding quantum machine learning also requires rethinking
generalization [0.3683202928838613]
一般化を理解する従来のアプローチでは、量子モデルの振る舞いを説明できないことを示す。
実験によると、最先端の量子ニューラルネットワークはトレーニングデータのランダムな状態とランダムなラベル付けに正確に適合している。
論文 参考訳（メタデータ） (2023-06-23T12:04:13Z) - 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) - Qutrit-inspired Fully Self-supervised Shallow Quantum Learning Network
for Brain Tumor Segmentation [7.173859338960338]
量子ビットまたはバイレベル量子ビットは、しばしば量子ニューラルネットワークモデルを記述する。
本稿では,脳MR画像の自動分割のための,自己教師付き浅層学習ネットワークモデルを提案する。
その結果,ヒトの介入や計算資源を最小限に抑えることで,腫瘍検出に有望なセグメンテーション結果が得られた。
論文 参考訳（メタデータ） (2020-09-14T22:15:22Z) - Neural Complexity Measures [96.06344259626127]
本稿では,一般化を予測するメタラーニングフレームワークであるNeural Complexity(NC)を提案する。
我々のモデルは、データ駆動方式で、多くの異種タスクとの相互作用を通じてスカラー複雑性尺度を学習する。
論文 参考訳（メタデータ） (2020-08-07T02:12:10Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳（メタデータ） (2020-06-28T23:44:12Z) - 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。