論文の概要: Explainable Representation Learning of Small Quantum States
- arxiv url: http://arxiv.org/abs/2306.05694v1
- Date: Fri, 9 Jun 2023 06:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 14:26:09.476821
- Title: Explainable Representation Learning of Small Quantum States
- Title（参考訳）: 小さな量子状態の説明可能な表現学習
- Authors: Felix Frohnert and Evert van Nieuwenburg
- Abstract要約: パラメータ化量子回路によって生成される2量子密度行列上に生成モデルを訓練する。
モデルが量子状態と基礎となる絡み合い特性を関連づける解釈可能な表現を学ぶことを観察する。
われわれのアプローチは、機械が小さな量子システムを自律的に表現する方法の洞察を与える。
- 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: Unsupervised machine learning models build an internal representation of
their training data without the need for explicit human guidance or feature
engineering. This learned representation provides insights into which features
of the data are relevant for the task at hand. In the context of quantum
physics, training models to describe quantum states without human intervention
offers a promising approach to gaining insight into how machines represent
complex quantum states. The ability to interpret the learned representation may
offer a new perspective on non-trivial features of quantum systems and their
efficient representation. We train a generative model on two-qubit density
matrices generated by a parameterized quantum circuit. In a series of
computational experiments, we investigate the learned representation of the
model and its internal understanding of the data. We observe that the model
learns an interpretable representation which relates the quantum states to
their underlying entanglement characteristics. In particular, our results
demonstrate that the latent representation of the model is directly correlated
with the entanglement measure concurrence. The insights from this study
represent proof of concept towards interpretable machine learning of quantum
states. Our approach offers insight into how machines learn to represent
small-scale quantum systems autonomously.
- Abstract（参考訳）: 教師なし機械学習モデルは、明示的な人間のガイダンスや機能エンジニアリングを必要とせずに、トレーニングデータの内部表現を構築する。
この学習された表現は、目の前のタスクにどのデータの特徴が関係しているかについての洞察を提供する。
量子物理学の文脈では、人間の介入なしに量子状態を記述するためのトレーニングモデルは、機械が複雑な量子状態をどのように表現するかを理解するための有望なアプローチを提供する。
学習表現を解釈する能力は、量子システムの非自明な特徴とその効率的な表現に対する新しい視点を与えるかもしれない。
パラメータ化量子回路によって生成される2量子密度行列上に生成モデルを訓練する。
一連の計算実験において,モデルの学習された表現とその内部的データ理解について検討する。
モデルが量子状態と基礎となる絡み合い特性を関連づける解釈可能な表現を学ぶことを観察する。
特に,本実験の結果は,モデルの潜在表現が絡み合い尺度の一致と直接相関していることを示した。
この研究の洞察は、量子状態の解釈可能な機械学習への概念実証を表している。
我々のアプローチは、機械が小さな量子システムを自律的に表現する方法の洞察を与える。
関連論文リスト
- An inductive bias from quantum mechanics: learning order effects with
non-commuting measurements [1.759387113329159]
量子可観測物の非可換性は「順序効果」でデータを学ぶのにどのように役立つかを検討する。
与えられたタスクに適応可能な逐次学習可能な測定値からなる生成量子モデルを設計する。
我々の最初の実験シミュレーションでは、データに存在する順序効果の量が増加するにつれて、量子モデルはより非可換性を学ぶことが示されている。
論文 参考訳（メタデータ） (2023-12-06T19:18:33Z) - 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) - Contextuality and inductive bias in quantum machine learning [0.0]
機械学習の一般化は、しばしば、データに存在する構造をモデルクラスの帰納バイアスにエンコードする能力に依存する。
量子文脈性(quantum contextuality) - 計算上の優位性にリンクした非古典性の形式。
我々は、関連する帰納バイアスを伴う量子学習モデルの構築方法を示し、おもちゃの問題を通して、それらが対応する古典的代理モデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-02-02T19:07:26Z) - 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) - Kernel-based quantum regressor models learn non-Markovianity [0.0]
カーネルベースの量子機械学習モデルはパラダイム的な例である。
カーネルが手元にある場合、学習プロセスには通常の機械学習モデルが使用される。
我々のモデルは、完全に古典的なモデルに匹敵する正確な予測を提供する。
論文 参考訳（メタデータ） (2022-09-23T15:36:15Z) - Quantum Structure in Human Perception [0.0]
重ね合わせ、文脈性、絡み合いの量子構造が人間の知覚自体に起源を持つ方法を検討する。
我々の分析は、人間の知覚が分類的知覚のゆらぎのメカニズムをどう組み込むかという単純な量子測定モデルから導かれる。
論文 参考訳（メタデータ） (2022-08-07T13:59:23Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - 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) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Learning models of quantum systems from experiments [0.2740360306052669]
ハミルトニアンモデルは、科学と産業全体での物理的および化学的プロセスの研究と分析を支えている。
我々は、教師なし機械学習を用いて実験からハミルトンモデルを取得するためのアプローチを提案し、実証する。
論文 参考訳（メタデータ） (2020-02-14T18:37:50Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。