Fugu-MT 論文翻訳(概要): Neural-Shadow Quantum State Tomography

論文の概要: Neural-Shadow Quantum State Tomography

arxiv url: http://arxiv.org/abs/2305.01078v2
Date: Sun, 16 Jun 2024 03:25:33 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 13:10:19.079906
Title: Neural-Shadow Quantum State Tomography
Title（参考訳）: ニューラルシャドウ量子状態トモグラフィー
Authors: Victor Wei, W. A. Coish, Pooya Ronagh, Christine A. Muschik,
Abstract要約: ニューラルシャドウ量子状態トモグラフィー (NSQST) は、代替のニューラルネットワークベースの量子状態トモグラフィープロトコルである。対象状態の古典的影を用いて不忠実さを推定する。 NSQSTは、誤差を緩和することなく、様々な種類のノイズに対して堅牢である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum state tomography (QST) is the art of reconstructing an unknown quantum state through measurements. It is a key primitive for developing quantum technologies. Neural network quantum state tomography (NNQST), which aims to reconstruct the quantum state via a neural network ansatz, is often implemented via a basis-dependent cross-entropy loss function. State-of-the-art implementations of NNQST are often restricted to characterizing a particular subclass of states, to avoid an exponential growth in the number of required measurement settings. To provide a more broadly applicable method for efficient state reconstruction, we present "neural-shadow quantum state tomography" (NSQST)-an alternative neural network-based QST protocol that uses infidelity as the loss function. The infidelity is estimated using the classical shadows of the target state. Infidelity is a natural choice for training loss, benefiting from the proven measurement sample efficiency of the classical shadow formalism. Furthermore, NSQST is robust against various types of noise without any error mitigation. We numerically demonstrate the advantage of NSQST over NNQST at learning the relative phases of three target quantum states of practical interest, as well as the advantage over direct shadow estimation. NSQST greatly extends the practical reach of NNQST and provides a novel route to effective quantum state tomography.
Abstract（参考訳）: 量子状態トモグラフィ(Quantum state tomography、QST)は、未知の量子状態の再構成技術である。これは量子技術を開発するための鍵となるプリミティブである。ニューラルネットワークアンサッツによる量子状態再構築を目的としたNNQST(Neural Network Quantum State Tomography)は、ベース依存のクロスエントロピー損失関数によって実装されることが多い。 NNQSTの最先端実装は、要求される測定設定数の指数関数的な増加を避けるために、特定のサブクラスを特徴付けることに制限されることが多い。より広範に適用可能な効率的な状態再構成法として、損失関数として不完全性を用いるニューラルネットワークベースのQSTプロトコルであるNSQST(Neural-Shadow quantum state tomography)を提案する。対象状態の古典的影を用いて不忠実さを推定する。不忠実さは訓練損失の自然な選択であり、古典的なシャドーフォーマリズムの実証されたサンプル効率の恩恵を受けている。さらに、NSQSTは、誤差を緩和することなく、様々な種類のノイズに対して堅牢である。 NNQST に対する NSQST の利点を数値的に示すとともに,実効性のある3つの量子状態の相対位相を学習し,直接影推定よりも有利であることを示す。 NSQSTはNNQSTの実用的リーチを大きく拡張し、有効な量子状態トモグラフィーへの新たな経路を提供する。

関連論文リスト

Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術はプライバシーセキュリティ情報整合性に課題をもたらす本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-11T20:52:10Z)
Universal Quantum Tomography With Deep Neural Networks [0.0]
純量子状態トモグラフィーと混合量子状態トモグラフィーの両方に対する2つのニューラルネットワークに基づくアプローチを提案する。提案手法は,実験データから混合量子状態の再構成を行なえることを示す。
論文参考訳（メタデータ） (2024-07-01T19:09:18Z)
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)
Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文参考訳（メタデータ） (2023-07-31T14:45:29Z)
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)
On how neural networks enhance quantum state tomography with constrained measurements [3.1866319932300953]
本稿では,深部ニューラルネットワークを用いた量子状態トモグラフィ(DNN-QST)アプローチを提案する。 DNN-QSTは、限られた測定資源を持つ量子状態トモグラフィーにおいて高い忠実性を達成する大きな可能性を示し、トモグラフィー測定がノイズに悩まされた場合の予測を改善することができる。
論文参考訳（メタデータ） (2021-11-18T03:46:37Z)
Classification and reconstruction of optical quantum states with deep neural networks [1.1470070927586016]
我々は、量子状態の分類と再構成にディープ・ニューラル・ネットワーク技術を適用した。ノイズの有無やデータが少ない場合でも,高い分類精度と再現率を示す。我々は,条件付き生成対向ネットワーク(QST-CGAN)を用いた[arXiv:2008.03240]QST手法のさらなる実演を行う。
論文参考訳（メタデータ） (2020-12-03T18:58:16Z)
Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文参考訳（メタデータ） (2020-11-12T08:32:04Z)
On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文参考訳（メタデータ） (2020-07-24T06:34:34Z)
Attention-based Quantum Tomography [9.818293236208413]
Attention-based Quantum Tomography は、アテンション機構に基づく生成ネットワークを用いた量子状態再構成である。 AQTは、IBMQ量子コンピュータで実験的に実現されたノイズ量子状態に関連する密度行列を正確に再構成可能であることを示す。
論文参考訳（メタデータ） (2020-06-22T17:50:12Z)
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。