論文の概要: Unrolling SVT to obtain computationally efficient SVT for n-qubit
quantum state tomography
- arxiv url: http://arxiv.org/abs/2212.08852v1
- Date: Sat, 17 Dec 2022 11:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 19:02:56.479611
- Title: Unrolling SVT to obtain computationally efficient SVT for n-qubit
quantum state tomography
- Title(参考訳): n量子量子状態トモグラフィーのための計算効率の良いSVTを得るためのSVTの展開
- Authors: Siva Shanmugam, Sheetal Kalyani
- Abstract要約: SVTの繰り返しをアンロールすることで,n量子ビット系の量子状態を推定する機械学習手法を提案する。
非常に少ない層を持つLQSTは,SVTアルゴリズムよりもはるかに忠実な密度行列を再構成することを示した。
また、情報的に不完全な雑音測定から量子ベル状態の再構成を実証する。
- 参考スコア(独自算出の注目度): 13.203765985718201
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quantum state tomography aims to estimate the state of a quantum mechanical
system which is described by a trace one, Hermitian positive semidefinite
complex matrix, given a set of measurements of the state. Existing works focus
on estimating the density matrix that represents the state, using a compressive
sensing approach, with only fewer measurements than that required for a
tomographically complete set, with the assumption that the true state has a low
rank. One very popular method to estimate the state is the use of the Singular
Value Thresholding (SVT) algorithm. In this work, we present a machine learning
approach to estimate the quantum state of n-qubit systems by unrolling the
iterations of SVT which we call Learned Quantum State Tomography (LQST). As
merely unrolling SVT may not ensure that the output of the network meets the
constraints required for a quantum state, we design and train a custom neural
network whose architecture is inspired from the iterations of SVT with
additional layers to meet the required constraints. We show that our proposed
LQST with very few layers reconstructs the density matrix with much better
fidelity than the SVT algorithm which takes many hundreds of iterations to
converge. We also demonstrate the reconstruction of the quantum Bell state from
an informationally incomplete set of noisy measurements.
- Abstract(参考訳): 量子状態トモグラフィー(quantum state tomography)は、状態の一連の測定値から、トレースされたハーミート正半定値複素行列(Hermitian positive semidefinite complex matrix)によって記述される量子力学系の状態を推定することを目的としている。
既存の研究は、圧縮センシングアプローチを用いて状態を表す密度行列を、真の状態が低いという仮定で、トモグラフィ的に完備な集合に必要なものよりも少ない測定で推定することに集中している。
状態を推定する非常に一般的な方法は、singular value thresholding (svt)アルゴリズムの使用である。
本研究では,Learred Quantum State Tomography (LQST) と呼ばれるSVTの繰り返しをアンロールすることで,n-qubit系の量子状態を推定する機械学習手法を提案する。
単にロールアウトしたSVTは、ネットワークの出力が量子状態に必要な制約を満たすことを保証しないため、必要な制約を満たすために、SVTのイテレーションからアーキテクチャにインスパイアされたカスタムニューラルネットワークを設計し、訓練する。
非常に少ない層を持つLQSTは, 収束に数百回の反復を要するSVTアルゴリズムよりもはるかに忠実に, 密度行列を再構成することを示した。
また、情報的に不完全な雑音測定から量子ベル状態の再構成を実証する。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Threshold Quantum State Tomography [0.0]
量子状態トモグラフィーは、量子システムの状態を再構築することを目的としている。
従来のQSTでは、測定の数はキュービットの数と指数関数的にスケールする。
本稿では,しきい値の導入によって,必要な測定回数を大幅に削減できるプロトコルを提案する。
論文 参考訳(メタデータ) (2024-01-23T15:56:12Z) - Learning Informative Latent Representation for Quantum State Tomography [18.19768367431327]
量子状態トモグラフィ(Quantum state tomography、QST)は、量子系の完全な状態を再構築する過程である。
ディープニューラルネットワーク(DNN)の最近の進歩は、QSTにおけるディープラーニング(DL)の出現につながった。
本稿では,不完全な測定データを備えたQSTに適したトランスフォーマーベースのオートエンコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-09-30T22:37:28Z) - Quantum Gate Optimization for Rydberg Architectures in the Weak-Coupling
Limit [55.05109484230879]
我々は,Rydberg tweezerシステムにおける2ビットゲートの機械学習支援設計を実演する。
我々は,高忠実度CNOTゲートを実装した最適パルス列を生成する。
単一量子ビット演算の局所的な制御は、原子列上で量子計算を行うのに十分であることを示す。
論文 参考訳(メタデータ) (2023-06-14T18:24:51Z) - Quantum state tomography with tensor train cross approximation [84.59270977313619]
測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。
本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
論文 参考訳(メタデータ) (2022-07-13T17:56:28Z) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳(メタデータ) (2022-03-30T02:02:16Z) - Convergence of reconstructed density matrix to a pure state using
maximal entropy approach [4.084744267747294]
量子系の密度行列を任意の量子ビットに対して純粋な状態に完全に再構成するためのQSTの代替手法を提案する。
我々のゴールは、実際の量子コンピュータにおける量子エラー軽減の分野に応用できる純粋状態の量子システムの実用的な推論を提供することである。
論文 参考訳(メタデータ) (2021-07-02T16:58:26Z) - On exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Reconstructing quantum states with quantum reservoir networks [4.724825031148412]
我々は貯水池計算の枠組みに基づく量子状態トモグラフィープラットフォームを導入する。
量子ニューラルネットワークを形成し、任意の量子状態を再構築するための包括的なデバイスとして機能する。
論文 参考訳(メタデータ) (2020-08-14T14:01:55Z) - 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。