Fugu-MT 論文翻訳(概要): Quantum Autoencoders for Learning Quantum Channel Codes

論文の概要: Quantum Autoencoders for Learning Quantum Channel Codes

arxiv url: http://arxiv.org/abs/2307.06622v1
Date: Thu, 13 Jul 2023 08:37:21 GMT
ステータス: 処理完了
システム内更新日: 2023-07-14 15:29:26.204297
Title: Quantum Autoencoders for Learning Quantum Channel Codes
Title（参考訳）: 量子チャネルコード学習のための量子オートエンコーダ
Authors: Lakshika Rathi, Stephen DiAdamo, Alireza Shabani
Abstract要約: 我々は、量子チャネルコードを生成し、その有効性を評価するための機械学習フレームワークを開発した。概念実証として様々な量子チャネルモデルに適用することにより、それぞれのケースで強い性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work investigates the application of quantum machine learning techniques for classical and quantum communication across different qubit channel models. By employing parameterized quantum circuits and a flexible channel noise model, we develop a machine learning framework to generate quantum channel codes and evaluate their effectiveness. We explore classical, entanglement-assisted, and quantum communication scenarios within our framework. Applying it to various quantum channel models as proof of concept, we demonstrate strong performance in each case. Our results highlight the potential of quantum machine learning in advancing research on quantum communication systems, enabling a better understanding of capacity bounds under modulation constraints, various communication settings, and diverse channel models.
Abstract（参考訳）: 本研究は、異なる量子ビットチャネルモデル間の古典的および量子的通信における量子機械学習技術の適用について検討する。パラメータ化量子回路とフレキシブルチャネルノイズモデルを用いて、量子チャネルコードを生成し、その有効性を評価する機械学習フレームワークを開発する。フレームワーク内の古典的、絡み合い支援、および量子通信シナリオについて検討する。概念実証として様々な量子チャネルモデルに適用し,それぞれの場合において強い性能を示す。本研究は,量子通信システムの研究を進める量子機械学習の可能性を強調し,変調制約,多様な通信設定,多様なチャネルモデルに基づくキャパシティ境界のより深い理解を可能にする。

関連論文リスト

Physical Layer Aspects of Quantum Communications: A Survey [31.406787669796184]
量子通信システムは、分散量子コンピューティング、分散量子センシング、およびいくつかの暗号プロトコルの形式で独自のアプリケーションをサポートする。これらの通信システムの主要なイネーブルは、未知の量子状態を高速かつ忠実に転送できる効率的なインフラである。古典的世界と量子的世界の間には根本的な違いがあるが、量子通信システムでも有益であることが証明される普遍的なコミュニケーション概念が存在する。
論文参考訳（メタデータ） (2024-07-12T13:16:47Z)
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 repeaters: From quantum networks to the quantum internet [2.053047357590719]
量子リピータの概念的フレームワークとアーキテクチャについて概観する。我々は、ポイント・ツー・ポイントの量子通信によって設定される通信速度の限界を克服するための様々な短期的提案について議論する。
論文参考訳（メタデータ） (2022-12-21T07:21:50Z)
Quantum Neural Architecture Search with Quantum Circuits Metric and Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文参考訳（メタデータ） (2022-06-28T16:23:24Z)
Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。機械学習の観点からQGLMの現状を概観する。従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文参考訳（メタデータ） (2022-06-07T07:32:57Z)
Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。 Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
論文参考訳（メタデータ） (2022-06-06T18:00:01Z)
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)
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)
Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文参考訳（メタデータ） (2020-10-13T06:57:17Z)
TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
論文参考訳（メタデータ） (2020-03-06T01:31:43Z)
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。