論文の概要: Deep learning the hierarchy of steering measurement settings of
qubit-pair states
- arxiv url: http://arxiv.org/abs/2306.05201v2
- Date: Sat, 2 Mar 2024 02:13:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 20:52:39.089555
- Title: Deep learning the hierarchy of steering measurement settings of
qubit-pair states
- Title(参考訳): クビットペア状態のステアリング測定設定の階層化の深層学習
- Authors: Hong-Ming Wang, Huan-Yu Ku, Jie-Yien Lin, and Hong-Bin Chen
- Abstract要約: 我々は、ディープラーニングモデルのパワーを活用して、特定の測定設定数で量子状態のステアビリティを推定する。
Alice-to-Bob steerability の最もコンパクトな特徴は Alice の定期的な整列型 steering ellipsoid である。
- 参考スコア(独自算出の注目度): 1.0124625066746595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum steering has attracted increasing research attention because of its
fundamental importance, as well as its applications in quantum information
science. Here we leverage the power of the deep learning model to infer the
steerability of quantum states with specific numbers of measurement settings,
which form a hierarchical structure. A computational protocol consisting of
iterative tests is constructed to overcome the optimization, meanwhile,
generating the necessary training data. According to the responses of the
well-trained models to the different physics-driven features encoding the
states to be recognized, we can numerically conclude that the most compact
characterization of the Alice-to-Bob steerability is Alice's regularly aligned
steering ellipsoid; whereas Bob's ellipsoid is irrelevant. We have also
provided an explanation to this result with the one-way stochastic local
operations and classical communication. Additionally, our approach is versatile
in revealing further insights into the hierarchical structure of quantum
steering and detecting the hidden steerability.
- Abstract(参考訳): 量子ステアリングは、その基本的な重要性と量子情報科学への応用により、研究の注目を集めている。
ここでは、階層構造を形成する特定の数の測定設定による量子状態のステアビリティを推定するために、ディープラーニングモデルのパワーを利用する。
一方、最適化を克服するために反復テストからなる計算プロトコルを構築し、必要なトレーニングデータを生成する。
認識すべき状態を符号化する異なる物理駆動的特徴に対するよく訓練されたモデルの反応によると、アリス-ボブ間ステアビリティの最もコンパクトな特徴はアリスの規則的に整列した操舵楕円体である。
また,この結果に対する一方向確率的局所操作と古典的コミュニケーションについても解説した。
さらに、我々のアプローチは量子ステアリングの階層構造に関するさらなる洞察を明らかにし、隠れたステアビリティを検出できる。
関連論文リスト
- Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳(メタデータ) (2024-01-20T03:11:59Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Quantum Compressive Sensing: Mathematical Machinery, Quantum Algorithms,
and Quantum Circuitry [10.286119086329762]
圧縮センシングは、比較的少数の測定値から大きな信号の再構成を容易にするプロトコルである。
近年の研究では、興味のある信号の構造を学ぶためにテンソルネットワークを訓練する、データ駆動型アプローチが検討されている。
我々は、テンソルネットワークの状態が絡み合った量子ビットの集合上の量子状態である別の「量子」プロトコルを提案する。
論文 参考訳(メタデータ) (2022-04-27T16:20:28Z) - Adaptive Quantum State Tomography with Active Learning [0.0]
本稿では,能動学習を用いた量子状態トモグラフィーの効率的なスキームを提案し,実装する。
本手法は, 1次元のXXZモデルと運動的に制約されたスピン鎖の基底状態だけでなく, 様々なエンタングルメントの程度で異なるマルチキュービット状態の再構成を行う。
提案手法は,量子多体システムにおける物理的洞察を得るとともに,量子デバイスをベンチマークし,特徴付けるためにも有効である。
論文 参考訳(メタデータ) (2022-03-29T16:23:10Z) - Self-Correcting Quantum Many-Body Control using Reinforcement Learning
with Tensor Networks [0.0]
本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。
我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
論文 参考訳(メタデータ) (2022-01-27T20:14:09Z) - Realizing Quantum Convolutional Neural Networks on a Superconducting
Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。
我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。
その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
論文 参考訳(メタデータ) (2021-09-13T12:32:57Z) - 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) - 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) - Variational learning for quantum artificial neural networks [0.0]
まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。
次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。
メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
論文 参考訳(メタデータ) (2021-03-03T16:10:15Z)
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。