論文の概要: Correlation-pattern-based Continuous-variable Entanglement Detection through Neural Networks

• arxiv url: http://arxiv.org/abs/2310.20570v1
• Date: Tue, 31 Oct 2023 16:00:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 14:15:09.848096
• Title: Correlation-pattern-based Continuous-variable Entanglement Detection through Neural Networks
• Title（参考訳）: 相関パターンに基づくニューラルネットワークによる連続変数絡み検出
• Authors: Xiaoting Gao, Mathieu Isoard, Fengxiao Sun, Carlos E. Lopetegui, Yu Xiang, Valentina Parigi, Qiongyi He, and Mattia Walschaers
• Abstract要約: 連続変数の非ガウス状態における絡み合いは、多くの量子情報タスクにおいて、置換不能な利点をもたらす。 相関パターンを用いて連続変数の絡み合いを効果的に検出するニューラルネットワークを開発した。
• 参考スコア（独自算出の注目度）: 1.5091188291530049
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entanglement in continuous-variable non-Gaussian states provides irreplaceable advantages in many quantum information tasks. However, the sheer amount of information in such states grows exponentially and makes a full characterization impossible. Here, we develop a neural network that allows us to use correlation patterns to effectively detect continuous-variable entanglement through homodyne detection. Using a recently defined stellar hierarchy to rank the states used for training, our algorithm works not only on any kind of Gaussian state but also on a whole class of experimentally achievable non-Gaussian states, including photon-subtracted states. With the same limited amount of data, our method provides higher accuracy than usual methods to detect entanglement based on maximum-likelihood tomography. Moreover, in order to visualize the effect of the neural network, we employ a dimension reduction algorithm on the patterns. This shows that a clear boundary appears between the entangled states and others after the neural network processing. In addition, these techniques allow us to compare different entanglement witnesses and understand their working. Our findings provide a new approach for experimental detection of continuous-variable quantum correlations without resorting to a full tomography of the state and confirm the exciting potential of neural networks in quantum information processing.
• Abstract（参考訳）: 連続変数の非ガウス状態における絡み合いは多くの量子情報タスクにおいて不定の利点をもたらす。 しかし、そのような状態の情報量は指数関数的に増加し、完全な特徴付けが不可能になる。 本稿では,相関パターンを用いてホモダイン検出による連続変数の絡み合いを効果的に検出するニューラルネットワークを開発した。 このアルゴリズムは、トレーニングに使用される状態のランク付けに最近定義された恒星階層を用い、任意の種類のガウス状態だけでなく、光子減算状態を含む実験的に達成可能な非ガウス状態のクラスでも動作する。 同じ限られたデータ量で、本手法は、最大類似トモグラフィによる絡み合いを検出する通常の方法よりも高い精度を提供する。 さらに、ニューラルネットワークの効果を可視化するために、そのパターンに次元縮小アルゴリズムを用いる。 これは、ニューラルネットワーク処理後に絡み合った状態と他の状態の間に明確な境界が現れることを示している。 さらに、これらのテクニックにより、異なる絡み合いの目撃者を比較し、彼らの働きを理解することができます。 本研究は, 量子情報処理におけるニューラルネットワークのエキサイティングなポテンシャルを確認するため, 状態の完全なトモグラフィーに頼ることなく, 連続可変量子相関を実験的に検出する手法を提案する。

関連論文リスト

• Learning topological states from randomized measurements using variational tensor network tomography [0.4818215922729967]
  量子状態の忠実な表現を学ぶことは、量子プロセッサ上で生成される多体状態の多様性を完全に特徴づけるのに不可欠である。 本研究では,テンソルネットワーク上の変分最適化とランダムな計測手法を組み合わせたトモグラフィー手法の実装と検討を行う。 我々は、実験により実現可能な量子スピン液体状態と同様に、表面符号の基底状態を学ぶ能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T21:05:43Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Quantum state tomography with tensor train cross approximation [84.59270977313619]
  測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。 本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
  論文  参考訳（メタデータ） (2022-07-13T17:56:28Z)
• Finding efficient observable operators in entanglement detection via convolutional neural network [2.0184593863282916]
  2量子ビット量子システムにおける絡み合い検出に応用可能な分岐畳み込みニューラルネットワークを考案する。 ここでは、ワーナー状態、一般化されたワーナー状態、一般2量子状態の絡み合いを検出し、検出に適した可観測作用素を自動的に見つけることができる。
  論文  参考訳（メタデータ） (2022-05-26T13:59:07Z)
• Flexible learning of quantum states with generative query neural networks [4.540894342435848]
  複数の量子状態にまたがる学習は、生成的クエリニューラルネットワークによって達成できることを示す。 我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
  論文  参考訳（メタデータ） (2022-02-14T15:48:27Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Unsupervised learning of correlated quantum dynamics on disordered lattices [0.0]
  乱格子上で共伝播する量子粒子は、量子統計学、粒子間相互作用、障害の間の相互作用による複雑な非古典的相関を発達させる。 本稿では,これらの相関関係を学習し,物理的制御パラメータを教師なしで同定する深層学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:48:11Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
  ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。 光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T15:12:47Z)
• Classification and reconstruction of optical quantum states with deep neural networks [1.1470070927586016]
  我々は、量子状態の分類と再構成にディープ・ニューラル・ネットワーク技術を適用した。 ノイズの有無やデータが少ない場合でも,高い分類精度と再現率を示す。 我々は,条件付き生成対向ネットワーク(QST-CGAN)を用いた[arXiv:2008.03240]QST手法のさらなる実演を行う。
  論文  参考訳（メタデータ） (2020-12-03T18:58:16Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)

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。