論文の概要: Demonstration of machine-learning-enhanced Bayesian quantum state estimation

• arxiv url: http://arxiv.org/abs/2212.08032v1
• Date: Thu, 15 Dec 2022 18:41:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 18:01:58.509328
• Title: Demonstration of machine-learning-enhanced Bayesian quantum state estimation
• Title（参考訳）: 機械学習によるベイズ量子状態推定の実証
• Authors: Sanjaya Lohani, Joseph M. Lukens, Atiyya A. Davis, Amirali Khannejad, Sangita Regmi, Daniel E. Jones, Ryan T. Glasser, Thomas A. Searles, Brian T. Kirby
• Abstract要約: 機械学習を用いて自動調整を行うカスタム事前分布の定義手法を実験的に実現した。 MLで定義した事前分布は、ネット収束時間を減少させ、暗黙的および明示的な情報を事前分布に直接組み込む自然な方法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has found broad applicability in quantum information science in topics as diverse as experimental design, state classification, and even studies on quantum foundations. Here, we experimentally realize an approach for defining custom prior distributions that are automatically tuned using ML for use with Bayesian quantum state estimation methods. Previously, researchers have looked to Bayesian quantum state tomography due to its unique advantages like natural uncertainty quantification, the return of reliable estimates under any measurement condition, and minimal mean-squared error. However, practical challenges related to long computation times and conceptual issues concerning how to incorporate prior knowledge most suitably can overshadow these benefits. Using both simulated and experimental measurement results, we demonstrate that ML-defined prior distributions reduce net convergence times and provide a natural way to incorporate both implicit and explicit information directly into the prior distribution. These results constitute a promising path toward practical implementations of Bayesian quantum state tomography.
• Abstract（参考訳）: 機械学習(ml)は、実験的な設計、状態分類、量子基礎の研究など、様々な分野における量子情報科学の幅広い応用性を見出した。 そこで我々は,ベイジアン量子状態推定法を用いてMLを用いて自動的に調整されるカスタム事前分布を定義する手法を実験的に実現した。 これまで、自然不確かさの定量化、任意の測定条件下での信頼性の高い推定の返却、最小平均二乗誤差などの独特な利点のために、ベイズ量子状態トモグラフィーを研究してきた。 しかし、従来の知識をいかに組み込むかという概念的な課題は、これらの利点を覆すのに最適である。 実測結果と実験結果の両方を用いて,MLで定義した事前分布がネット収束時間を短縮し,暗黙的および明示的な情報を事前分布に直接組み込む自然な方法を提供する。 これらの結果はベイズ量子状態トモグラフィの実用化に向けた有望な道である。

関連論文リスト

• Adaptive measurement strategy for quantum subspace methods [0.0]
  本稿では,量子部分空間法に有用な適応計測最適化法を提案する。 提案手法は、まず古典的にシミュレート可能な状態の測定プロトコルを決定し、次に量子部分空間展開のプロトコルを適応的に更新する。 数値実験として,分子の励起状態シミュレーションを行い,測定回数を桁違いに削減できることを示した。
  論文  参考訳（メタデータ） (2023-11-14T04:00:59Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Efficient preparation of the AKLT State with Measurement-based Imaginary Time Evolution [2.5938976557097715]
  本稿では,Affleck-Lieb-Kennedy-Tasakiモデルの基底状態を決定論的に生成する手法を提案する。 MITEアプローチを用いて効率的に調製できることが示される。 この手順は、キュービットベースのシミュレータと互換性があることが示される。
  論文  参考訳（メタデータ） (2023-10-09T18:00:03Z)
• Reliable confidence regions for quantum tomography using distribution moments [0.0]
  本稿では,量子トモグラフィーの精度の高い誤差バーを決定するための計算効率が高く信頼性の高い手法を提案する。 我々は,クラウドアクセス可能な量子プロセッサを用いてシミュレーションと実演の両方を用いて,多数の量子トモグラフィープロトコルのアプローチをベンチマークした。
  論文  参考訳（メタデータ） (2023-07-24T14:21:35Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Deep learning of quantum entanglement from incomplete measurements [0.2493740042317776]
  ニューラルネットワークを用いることで、量子状態の完全な記述を必要とせずに、絡み合いの度合いを定量化できることを実証する。 提案手法は,不完全な局所的な測定値を用いて,量子相関の直接量子化を可能にする。 我々は,様々な測定シナリオからデータを受け取り,ある程度,測定装置から独立して実行する畳み込みネットワーク入力に基づく手法を導出する。
  論文  参考訳（メタデータ） (2022-05-03T12:55:39Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Efficient quantum state tomography with convolutional neural networks [0.0]
  我々は,情報的に完全な測定結果に対する確率分布の近似に依存する量子状態トモグラフィー手法を開発した。 実験データから直接推定した場合と比較して,観測可能量の推定誤差を最大で1桁低減する。
  論文  参考訳（メタデータ） (2021-09-28T14:55:54Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• Direct estimation of quantum coherence by collective measurements [54.97898890263183]
  量子状態におけるコヒーレンス量を推定するための集合的測定手法を提案する。 本手法は、トモグラフィーや適応計測に基づいて、他の推定方法よりも優れている。 本手法は,光子を用いて実験的に実装することで,今日の技術で利用できることを示す。
  論文  参考訳（メタデータ） (2020-01-06T03:50:42Z)

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。