論文の概要: Optical Quantum Sensing for Agnostic Environments via Deep Learning
- arxiv url: http://arxiv.org/abs/2311.07203v1
- Date: Mon, 13 Nov 2023 09:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 14:47:40.820319
- Title: Optical Quantum Sensing for Agnostic Environments via Deep Learning
- Title(参考訳): 深層学習による非依存環境のための光量子センシング
- Authors: Zeqiao Zhou, Yuxuan Du, Xu-Fei Yin, Shanshan Zhao, Xinmei Tian,
Dacheng Tao
- Abstract要約: 本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
- 参考スコア(独自算出の注目度): 59.088205627308
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical quantum sensing promises measurement precision beyond classical
sensors termed the Heisenberg limit (HL). However, conventional methodologies
often rely on prior knowledge of the target system to achieve HL, presenting
challenges in practical applications. Addressing this limitation, we introduce
an innovative Deep Learning-based Quantum Sensing scheme (DQS), enabling
optical quantum sensors to attain HL in agnostic environments. DQS incorporates
two essential components: a Graph Neural Network (GNN) predictor and a
trigonometric interpolation algorithm. Operating within a data-driven paradigm,
DQS utilizes the GNN predictor, trained on offline data, to unveil the
intrinsic relationships between the optical setups employed in preparing the
probe state and the resulting quantum Fisher information (QFI) after
interaction with the agnostic environment. This distilled knowledge facilitates
the identification of optimal optical setups associated with maximal QFI.
Subsequently, DQS employs a trigonometric interpolation algorithm to recover
the unknown parameter estimates for the identified optical setups. Extensive
experiments are conducted to investigate the performance of DQS under different
settings up to eight photons. Our findings not only offer a new lens through
which to accelerate optical quantum sensing tasks but also catalyze future
research integrating deep learning and quantum mechanics.
- Abstract(参考訳): 光量子センシングは、ハイゼンベルク限界(HL)と呼ばれる古典的なセンサーを超える測定精度を約束する。
しかし、従来の手法はHLを達成するためにターゲットシステムの事前知識に頼り、実用上の課題を提示することが多い。
この制限に対処して,光量子センサによるhl達成を可能にする,革新的な深層学習型量子センシングスキーム(dqs)を提案する。
DQSには、グラフニューラルネットワーク(GNN)予測器と三角補間アルゴリズムの2つの重要なコンポーネントが組み込まれている。
データ駆動のパラダイムで運用されているDQSは、オフラインデータに基づいてトレーニングされたGNN予測器を使用して、プローブ状態の準備に使用される光学装置と、非依存環境との相互作用後に生じる量子フィッシャー情報(QFI)との間の本質的な関係を明らかにする。
この蒸留知識は、最大qfiに関連する最適光学セットアップの同定を容易にする。
その後、DQSは三角補間アルゴリズムを用いて、同定された光学装置の未知パラメータ推定を復元する。
8光子までの異なる条件下でのdqの性能を調べるために広範な実験が行われた。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供するだけでなく、深層学習と量子力学を統合する将来の研究を触媒する。
関連論文リスト
- Quantum Information-Empowered Graph Neural Network for Hyperspectral Change Detection [19.31936427826067]
この研究は、超スペクトル変化検出(HCD)に量子ディープネットワーク(QUEEN)を導入している。
QUEENは、変更があるかどうかを決定するために、根本的に新しい情報を提供する。
提案したQUEEN搭載GNN(すなわちQUEEN-G)のHCD性能は、実超スペクトルデータセットで実験的に検証される。
論文 参考訳(メタデータ) (2024-11-12T07:30:32Z) - All-optical Loss-tolerant Distributed Quantum Sensing [1.6437645274005803]
分散量子センシング(DQS)は、量子資源を活用して、ネットワーク化された量子センサの未知のグローバルな特性を推定する。
次世代DQSシステムのための全光学的資源効率スキームを提案し,解析する。
論文 参考訳(メタデータ) (2024-07-18T16:30:36Z) - Quantum-enhanced learning with a controllable bosonic variational sensor network [0.40964539027092906]
絡み合ったセンサネットワーク(SLAEN)による教師付き学習
本稿では非線形データ分類タスクを処理できるSLAENを提案する。
分類誤差のしきい値現象は、プローブのエネルギーが一定のしきい値を超えると、誤差は劇的にゼロになる。
論文 参考訳(メタデータ) (2024-04-28T19:41:40Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Concentration of Data Encoding in Parameterized Quantum Circuits [7.534037755267707]
変分量子アルゴリズムは、有意義なタスクにおいて、短期的な量子アドバンテージを実現するための主要な戦略として認識されている。
本稿では、パラメータ化量子回路に基づく共通データ符号化戦略を考察し、進展する。
妥当な仮定の下では、平均符号化状態と最大混合状態の間の距離が明らかに上界であることが証明できる。
論文 参考訳(メタデータ) (2022-06-16T16:09:40Z) - 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) - All-optical neural network quantum state tomography [0.39146761527401414]
我々は、オールオプティカルニューラルネットワーク(AONN)に基づいて、ニューラルネットワークQSTのための統合されたオールオプティカルセットアップを構築する。
実験結果は全光学装置の有効性と効率を実証した。
統合されたAONN-QSTのオール光学構成は、最後のレンガで全光学量子ネットワークを補充することに光を当てるかもしれない。
論文 参考訳(メタデータ) (2021-03-11T04:43:34Z) - 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)
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。