論文の概要: Estimating Quantum Mutual Information Through a Quantum Neural Network
- arxiv url: http://arxiv.org/abs/2306.14566v2
- Date: Sun, 11 Feb 2024 07:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 00:44:25.449879
- Title: Estimating Quantum Mutual Information Through a Quantum Neural Network
- Title（参考訳）: 量子ニューラルネットワークによる量子相互情報の推定
- Authors: Myeongjin Shin, Junseo Lee, Kabgyun Jeong
- Abstract要約: 量子相互情報ニューラル推定(QMINE)と呼ばれる量子機械学習の手法を提案する。
QMINEはフォン・ノイマンエントロピーと量子相互情報(英語版)を推定し、量子情報理論の基本的な性質である。
数値観測はQDVRの予測を支援し,QMINEの性能を実証する。
- 参考スコア（独自算出の注目度）: 0.8988769052522807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a method of quantum machine learning called quantum mutual
information neural estimation (QMINE) for estimating von Neumann entropy and
quantum mutual information, which are fundamental properties in quantum
information theory. The QMINE proposed here basically utilizes a technique of
quantum neural networks (QNNs), to minimize a loss function that determines the
von Neumann entropy, and thus quantum mutual information, which is believed
more powerful to process quantum datasets than conventional neural networks due
to quantum superposition and entanglement. To create a precise loss function,
we propose a quantum Donsker-Varadhan representation (QDVR), which is a quantum
analog of the classical Donsker-Varadhan representation. By exploiting a
parameter shift rule on parameterized quantum circuits, we can efficiently
implement and optimize the QNN and estimate the quantum entropies using the
QMINE technique. Furthermore, numerical observations support our predictions of
QDVR and demonstrate the good performance of QMINE.
- Abstract（参考訳）: 本稿では,量子情報理論の基本特性であるフォン・ノイマンエントロピーと量子相互情報の推定のための量子相互情報ニューラル推定(qmine)と呼ばれる量子機械学習手法を提案する。
ここで提案されたqmineは、基本的には量子ニューラルネットワーク(qnns)の技術を使用して、フォン・ノイマンのエントロピーを決定する損失関数を最小化し、量子重ね合わせと絡み合いによって従来のニューラルネットワークよりも強力な量子相互情報を処理する。
正確な損失関数を生成するために、古典的なドンスカー・バラダン表現の量子アナログである量子ドンスカー・バラダン表現(QDVR)を提案する。
パラメータ化量子回路上でのパラメータシフト則を利用して、QNNを効率的に実装し最適化し、QMINE技術を用いて量子エントロピーを推定することができる。
さらに,qdvrの予測を支援する数値観測を行い,qmineの性能を示す。
関連論文リスト
- Measurement-based quantum machine learning [0.0]
量子ニューラルネットワーク(QNN)は、古典的ニューラルネットワークの概念を量子データのための量子モデルに拡張するオブジェクトである。
マルチトライアングルアンサッツ (MuTA) と呼ぶこのフレームワークで普遍的なQNNを提案する。
論文 参考訳（メタデータ） (2024-05-14T05:17:01Z) - Randomness-enhanced expressivity of quantum neural networks [7.7991930692137466]
本稿では,量子回路にランダム性を組み込むことにより,QNNの表現性を高める新しい手法を提案する。
我々は、Uhlmannの定理を用いて、任意の対象作用素を正確に近似することができることを証明した。
量子機械学習に広く応用できる複数の学習タスクに対してランダム性を導入することにより,QNNの表現性が向上することを発見した。
論文 参考訳（メタデータ） (2023-08-09T07:17:13Z) - 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) - Quantum Semantic Communications for Resource-Efficient Quantum Networking [52.3355619190963]
本稿では、量子機械学習と量子意味表現の進歩を活かした新しい量子意味通信(QSC)フレームワークを提案する。
提案手法は,高い量子セマンティック忠実度を達成しつつ,必要な量子通信資源の約50～75%の削減を実現する。
論文 参考訳（メタデータ） (2022-05-05T03:49:19Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - 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) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳（メタデータ） (2021-08-30T23:50:05Z) - 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) - Neural Error Mitigation of Near-Term Quantum Simulations [0.0]
ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。
その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。
提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
論文 参考訳（メタデータ） (2021-05-17T18:00:57Z) - 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) - Optimizing High-Efficiency Quantum Memory with Quantum Machine Learning
for Near-Term Quantum Devices [0.0]
我々は,HRE(High-retrieval-efficiency)量子メモリと呼ばれる,短期量子デバイスのための新しい量子メモリを定義する。
HRE量子メモリユニットは、読み出し手順の最適化のために、ハードウェアレベルでローカルユニタリ演算を統合する。
我々は、HRE量子メモリの読み出し手順が、入力量子システムや未知の量子レジスタの量子操作に関する情報なしで完全に盲目的に実現されていることを示す。
論文 参考訳（メタデータ） (2020-03-11T12:01:03Z)
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。