論文の概要: Certifying Unknown Genuine Multipartite Entanglement by Neural Networks

• arxiv url: http://arxiv.org/abs/2210.13837v2
• Date: Tue, 15 Nov 2022 06:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-21 16:04:31.688552
• Title: Certifying Unknown Genuine Multipartite Entanglement by Neural Networks
• Title（参考訳）: ニューラルネットワークによる未知遺伝子多部絡みの認証
• Authors: Zhenyu Chen, Xiaodie Lin and Zhaohui Wei
• Abstract要約: ニューラルネットワークは、この問題に対する優れた解決策を提供することができることを示す。 多くの特定の多部量子状態上で我々のモデルをテストすることにより、真の多部量子絡みを非常に正確に証明できることが示される。
• 参考スコア（独自算出の注目度）: 1.8689488822130746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Suppose we have an unknown multipartite quantum state, how can we experimentally find out whether it is genuine multipartite entangled or not? Recall that even for a bipartite quantum state whose density matrix is known, it is already NP-Hard to determine whether it is entangled or not. Therefore, it is hard to efficiently solve the above problem generally. However, since genuine multipartite entanglement is such a fundamental concept that plays a crucial role in many-body physics and quantum information processing tasks, finding realistic approaches to certify genuine multipartite entanglement is undoubtedly necessary. In this work, we show that neural networks can provide a nice solution to this problem, where measurement statistics data produced by measuring involved quantum states with local measurement devices serve as input features of neural networks. By testing our models on many specific multipartite quantum states, we show that they can certify genuine multipartite entanglement very accurately, which even include some new results unknown before. We also exhibit a possible way to improve the efficiency of our models by reducing the size of features. Lastly, we show that our models enjoy remarkable robustness against flaws in measurement devices, implying that they are very experiment-friendly.
• Abstract（参考訳）: 未知の多元量子状態があるとすれば、それが真の多元量子の絡み合いであるかどうかを実験的に確かめるにはどうすればよいのか? 密度行列が知られている二部量子状態であっても、それが絡み合っているかどうかを決定することはNP-Hard である。 そのため、一般には効率的に解くことが困難である。 しかし、真の多部絡みは、多体物理学や量子情報処理タスクにおいて重要な役割を果たす基本的な概念であるため、真の多部絡みを認証するための現実的なアプローチを見つけることは間違いなく必要である。 そこで本研究では,局所計測装置を用いた量子状態測定による計測統計データがニューラルネットワークの入力特性として有用であることを示す。 我々のモデルを多くの特定の多部量子状態上でテストすることにより、真の多部量子の絡み合いを非常に正確に証明できることが示される。 また、機能のサイズを小さくすることで、モデルの効率を向上する可能性も示しています。 最後に,本モデルが測定装置の欠陥に対して著しく頑健であることを示し,実験にやさしいことを示唆する。

関連論文リスト

• High-dimentional Multipartite Entanglement Structure Detection with Low Cost [18.876952671920133]
  本稿では,絡み合い構造検出に適した表現を生成するニューラルネットワークモデルを提案する。 提案手法は最大19量子ビット系における95%以上の検出精度を実現する。
  論文  参考訳（メタデータ） (2024-08-23T12:09:26Z)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• 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)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Efficient Bipartite Entanglement Detection Scheme with a Quantum Adversarial Solver [89.80359585967642]
  パラメータ化量子回路で完了した2プレーヤゼロサムゲームとして,両部絡み検出を再構成する。 このプロトコルを線形光ネットワーク上で実験的に実装し、5量子量子純状態と2量子量子混合状態の両部絡み検出に有効であることを示す。
  論文  参考訳（メタデータ） (2022-03-15T09:46:45Z)
• 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)
• Quantifying Unknown Entanglement by Neural Networks [1.6629141734354616]
  ニューラルネットワークは未知の絡み合いを定量化するために訓練され、ニューラルネットワークの入力特徴は、ターゲットの量子状態を局所的に測定した結果統計データである。 その結果、トレーニングするニューラルネットワークは、未知の量子状態の定量化に非常に優れた性能を持つことがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:50:25Z)
• New Genuine Multipartite Entanglement [0.0]
  我々は、新しい種類の真のマルチパーティ・エンタングルメントを提示する。 その結果,本モデルは新しい種類の量子絡み合いを特徴付けるのに有用であることが示唆された。
  論文  参考訳（メタデータ） (2020-03-16T12:44:42Z)
• Genuine Network Multipartite Entanglement [62.997667081978825]
  両部エンタングルメントを分散できるソースは、それ自体、$k$の本当の$k$-partiteエンタングルドステートを、任意の$k$に対して生成できる、と我々は主張する。 我々は、真のネットワーク絡みの解析的および数値的な証人を提供し、過去の多くの量子実験を、この機能の実証として再解釈する。
  論文  参考訳（メタデータ） (2020-02-07T13:26:00Z)
• 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。