論文の概要: Quantum State Tomography using Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2308.10327v1
- Date: Sun, 20 Aug 2023 17:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 16:09:58.391408
- Title: Quantum State Tomography using Quantum Machine Learning
- Title（参考訳）: 量子機械学習を用いた量子状態トモグラフィ
- Authors: Nouhaila Innan, Owais Ishtiaq Siddiqui, Shivang Arora, Tamojit Ghosh,
Yasemin Poyraz Ko\c{c}ak, Dominic Paragas, Abdullah Al Omar Galib, Muhammad
Al-Zafar Khan and Mohamed Bennai
- Abstract要約: 量子状態トモグラフィ(QST)の効率を高めるために,量子機械学習(QML)技術の統合を提案する。
以上の結果から,QMLに基づくQST手法は従来手法に比べて測定精度が著しく低い高忠実度(98%)を実現可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum State Tomography (QST) is a fundamental technique in Quantum
Information Processing (QIP) for reconstructing unknown quantum states.
However, the conventional QST methods are limited by the number of measurements
required, which makes them impractical for large-scale quantum systems. To
overcome this challenge, we propose the integration of Quantum Machine Learning
(QML) techniques to enhance the efficiency of QST. In this paper, we conduct a
comprehensive investigation into various approaches for QST, encompassing both
classical and quantum methodologies; We also implement different QML approaches
for QST and demonstrate their effectiveness on various simulated and
experimental quantum systems, including multi-qubit networks. Our results show
that our QML-based QST approach can achieve high fidelity (98%) with
significantly fewer measurements than conventional methods, making it a
promising tool for practical QIP applications.
- Abstract（参考訳）: 量子状態トモグラフィ(QST)は、未知の量子状態の再構成のための量子情報処理(QIP)の基本技術である。
しかし、従来のQST法は必要な測定数によって制限されており、大規模な量子システムでは実用的ではない。
この課題を克服するために、QSTの効率を高めるために量子機械学習(QML)技術の統合を提案する。
本稿では、古典的手法と量子的手法の両方を包含したQSTの様々なアプローチを包括的に検討し、また、QSTの異なるQMLアプローチを実装し、マルチキュービットネットワークを含む様々なシミュレーションおよび実験量子システム上での有効性を実証する。
我々のQMLベースのQST手法は,従来の手法に比べて測定精度が著しく低い高忠実度(98%)を実現でき,実用的なQIPアプリケーションに有望なツールであることを示す。
関連論文リスト
- Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。
本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
論文 参考訳（メタデータ） (2024-11-14T12:27:50Z) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Precision Quantum Parameter Inference with Continuous Observation [4.811382643348796]
本稿では,従来の手法から分岐し,連続的な測定を行い,単一の量子軌道で正確なQPEを実現するための新しいQPE法を提案する。
本研究では, 浮遊ナノ粒子のパラメータ推定と力覚のタスクに本手法を用いることを実演する。
論文 参考訳（メタデータ） (2024-07-17T15:24:09Z) - 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) - Variational Quantum Eigensolvers with Quantum Gaussian Filters for solving ground-state problems in quantum many-body systems [2.5425769156210896]
量子多体系における基底状態を近似する新しい量子アルゴリズムを提案する。
我々の手法は変分量子固有解法(VQE)と量子ガウスフィルタ(QGF)を統合する。
提案手法は,特に雑音条件下での収束速度と精度の向上を示す。
論文 参考訳（メタデータ） (2024-01-24T14:01:52Z) - Exploiting the Quantum Advantage for Satellite Image Processing: Review
and Assessment [1.3597551064547502]
本稿では,地球観測(EO)と衛星画像における量子コンピューティングの現状について述べる。
衛星データを扱う際の量子学習モデルの潜在的な限界と応用について分析する。
論文 参考訳（メタデータ） (2023-08-18T10:34:34Z) - Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications [1.7041248235270652]
この調査は、量子ハードウェア上で実行される教師なしおよび教師なしの学習アプリケーションに焦点を当てる。
エンコーディング、アンサッツ構造、エラー軽減、これらの課題に対処するための勾配法といったテクニックをカバーしている。
論文 参考訳（メタデータ） (2023-07-03T10:12:34Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。
ここでは、QMLの現在の方法と応用について概観する。
量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
論文 参考訳（メタデータ） (2023-03-16T17:10:39Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z)
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。