論文の概要: Exploring Quantum Neural Networks for the Discovery and Implementation
of Quantum Error-Correcting Codes
- arxiv url: http://arxiv.org/abs/2304.06681v1
- Date: Thu, 13 Apr 2023 17:25:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 13:39:29.467135
- Title: Exploring Quantum Neural Networks for the Discovery and Implementation
of Quantum Error-Correcting Codes
- Title（参考訳）: 量子誤り訂正符号の発見と実装のための量子ニューラルネットワークの探索
- Authors: A. Chalkiadakis, M. Theocharakis, G. D. Barmparis, G. P. Tsironis
- Abstract要約: 本稿では,量子誤り訂正符号の発見と実装における量子ニューラルネットワークの利用について検討する。
本稿では,ビットフリップ量子誤り訂正符号の実装に成功したことにより,量子ニューラルネットワークの有効性を示す。
本稿では、量子ニューラルネットワークを利用して、特定の量子チャネルに適した新しい暗号化プロトコルを探索する戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the use of Quantum Neural Networks for discovering and
implementing quantum error-correcting codes. Our research showcases the
efficacy of Quantum Neural Networks through the successful implementation of
the Bit-Flip quantum error-correcting code using a Quantum Autoencoder,
effectively correcting bit-flip errors in arbitrary logical qubit states.
Additionally, we employ Quantum Neural Networks to restore states impacted by
Amplitude Damping by utilizing an approximative 4-qubit error-correcting
codeword. Our models required modification to the initially proposed Quantum
Neural Network structure to avoid barren plateaus of the cost function and
improve training time. Moreover, we propose a strategy that leverages Quantum
Neural Networks to discover new encryption protocols tailored for specific
quantum channels. This is exemplified by learning to generate logical qubits
explicitly for the bit-flip channel. Our modified Quantum Neural Networks
consistently outperformed the standard implementations across all tasks.
- Abstract（参考訳）: 本稿では,量子誤り訂正符号の検出と実装における量子ニューラルネットワークの利用について検討する。
本研究では,量子オートエンコーダを用いたビットフリップ量子誤り訂正符号の実装を成功させ,任意の論理量子ビット状態におけるビットフリップ誤りを効果的に補正することで,量子ニューラルネットワークの有効性を示す。
さらに、近似4ビット誤り訂正符号を用いて振幅減衰の影響を回復するために量子ニューラルネットワークを用いる。
当社のモデルでは,コスト関数の不規則な台地を回避し,トレーニング時間を改善するために,当初提案されていた量子ニューラルネットワーク構造の変更が必要であった。
さらに,量子ニューラルネットワークを利用して,特定の量子チャネルに適した新しい暗号プロトコルを探索する手法を提案する。
これは、ビットフリップチャネルに対して論理量子ビットを明示的に生成する学習によって実証される。
修正された量子ニューラルネットワークは、すべてのタスクにおける標準実装を一貫して上回りました。
関連論文リスト
- CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - Advantage of Quantum Neural Networks as Quantum Information Decoders [1.1842028647407803]
位相安定化器ハミルトンの基底空間に符号化された量子情報の復号化問題について検討する。
まず、標準安定化器に基づく誤り訂正と復号化方式が、そのような量子符号において適切に摂動可能であることを証明した。
次に、量子ニューラルネットワーク(QNN)デコーダが読み出し誤差をほぼ2次的に改善することを証明する。
論文 参考訳（メタデータ） (2024-01-11T23:56:29Z) - Hybrid Error-Management Strategies in Quantum Repeater Networks [0.7036032466145112]
本稿では,量子誤り訂正と絡み合い除去が可能な量子ネットワークの性能について述べる。
その結果, 忠実度向上のバランスを保ちながら, ベルペアをできるだけ早く配布すべきであることが示唆された。
論文 参考訳（メタデータ） (2023-03-18T00:26:01Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - QuCNN : A Quantum Convolutional Neural Network with Entanglement Based
Backpropagation [9.760266670459446]
QuCNNはパラメータ化されたマルチ量子状態ベースのニューラルネットワーク層で、各量子フィルタ状態と各量子データ状態の類似性を演算する。
バック伝搬は単一アンシラビット量子ルーチンによって達成できる。
MNISTイメージの小さなサブセットにデータ状態とフィルタ状態の畳み込み層を適用して検証する。
論文 参考訳（メタデータ） (2022-10-11T13:36:15Z) - Quantum Error Correction with Quantum Autoencoders [0.0]
量子ニューラルネットワークをトレーニングして,能動的検出と誤り訂正のための最適な戦略を学習する方法を示す。
量子オートエンコーダの復号化能力は、特定の状態の保護に限らず、論理的コード空間全体に拡張されることを強調した。
論文 参考訳（メタデータ） (2022-02-01T16:55:14Z) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - 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) - Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。
入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文 参考訳（メタデータ） (2020-10-21T09:46:12Z)
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。