論文の概要: Identification of quantum entanglement with Siamese convolutional neural
networks and semi-supervised learning
- arxiv url: http://arxiv.org/abs/2210.07410v3
- Date: Tue, 14 Nov 2023 09:31:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 19:41:32.984885
- Title: Identification of quantum entanglement with Siamese convolutional neural
networks and semi-supervised learning
- Title(参考訳): シームズ畳み込みニューラルネットワークと半教師付き学習による量子絡み合いの同定
- Authors: Jaros{\l}aw Paw{\l}owski and Mateusz Krawczyk
- Abstract要約: 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。
本研究では、教師付き機械学習の一種であるディープ畳み込みニューラルネットワークを用いて、3量子系における任意の二分割の量子絡みを同定する。
- 参考スコア(独自算出の注目度): 0.9790236766474201
- 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
identifying entanglement has still not reached a general solution for systems
larger than two qubits. In this study, we use deep convolutional neural
networks, a type of supervised machine learning, to identify quantum
entanglement for any bipartition in a 3-qubit system. We demonstrate that
training the model on synthetically generated datasets of random density
matrices excluding challenging positive-under-partial-transposition entangled
states (PPTES), which cannot be identified (and correctly labeled) in general,
leads to good model accuracy even for PPTES states, that were outside the
training data. Our aim is to enhance the model's generalization on PPTES. By
applying entanglement-preserving symmetry operations through a triple Siamese
network trained in a semi-supervised manner, we improve the model's accuracy
and ability to recognize PPTES. Moreover, by constructing an ensemble of
Siamese models, even better generalization is observed, in analogy with the
idea of finding separate types of entanglement witnesses for different classes
of states. The neural models' code and training schemes, as well as data
generation procedures, are available at
github.com/Maticraft/quantum_correlations.
- 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、絡み合いを識別する問題は、2つの量子ビットより大きいシステムに対する一般的な解には達していない。
本研究では,教師付き機械学習の一種である深層畳み込みニューラルネットワークを用いて,3量子ビットシステムにおける任意の2分割に対する量子絡み合いを同定する。
そこで本研究では, ランダム密度行列の合成生成データセット上で, 一般に同定できない(かつ正しくラベル付けされる)ppteを除いたトレーニングを行い, トレーニングデータの外部のppte状態においても, モデル精度が良好であることを実証する。
私たちの目標は、ppteにおけるモデルの一般化を強化することです。
半教師付きで訓練された3つのシームズネットワークを通した絡み合い保存対称性演算を適用することにより、PTPSの精度と認識能力を向上させる。
さらに、シームズモデルのアンサンブルを構築することで、異なる種類の状態に対する異なるタイプの絡み合いの証人を見つけるというアイデアと類似して、より優れた一般化が観察される。
ニューラルモデルのコードとトレーニングスキーム、およびデータ生成手順はgithub.com/Maticraft/quantum_correlationsで利用可能である。
関連論文リスト
- 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) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳(メタデータ) (2022-05-17T07:47:00Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳(メタデータ) (2021-08-19T18:49:30Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳(メタデータ) (2021-07-19T23:41:03Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - 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) - 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。