Fugu-MT 論文翻訳(概要): Detecting genuine multipartite entanglement via machine learning

論文の概要: Detecting genuine multipartite entanglement via machine learning

arxiv url: http://arxiv.org/abs/2311.17548v1
Date: Wed, 29 Nov 2023 11:31:22 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 21:29:15.362178
Title: Detecting genuine multipartite entanglement via machine learning
Title（参考訳）: 機械学習による真の多部絡み検出
Authors: Yi-Jun Luo, Jin-Ming Liu, Chengjie Zhang
Abstract要約: 3ビット状態の真の多部絡み検出のための教師付きおよび半教師付き機械学習について検討する。我々は,予測サンプルのグループ化を最適化し,反復予測を行うS4VMの訓練方法を改善する。
参考スコア（独自算出の注目度）: 1.0742675209112622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, supervised and semi-supervised machine learning methods such as neural networks, support vector machines (SVM), and semi-supervised support vector machines (S4VM) have been widely used in quantum entanglement and quantum steering verification problems. However, few studies have focused on detecting genuine multipartite entanglement based on machine learning. Here, we investigate supervised and semi-supervised machine learning for detecting genuine multipartite entanglement of three-qubit states. We randomly generate three-qubit density matrices, and train an SVM for the detection of genuine multipartite entangled states. Moreover, we improve the training method of S4VM, which optimizes the grouping of prediction samples and then performs iterative predictions. Through numerical simulation, it is confirmed that this method can significantly improve the prediction accuracy.
Abstract（参考訳）: 近年,ニューラルネットワークやサポートベクターマシン(SVM),セミ教師付きサポートベクターマシン(S4VM)といった,教師付きおよび半教師付き機械学習手法が,量子絡み合いや量子ステアリング検証問題に広く用いられている。しかし、機械学習に基づく真の多部絡み検出に焦点を当てた研究はほとんどない。本稿では,教師付きおよび半教師付き機械学習を用いて,3量子ビット状態の真の多元的絡み合いを検出する。 3量子密度行列をランダムに生成し,svmを訓練して真の多成分絡み合い状態を検出する。さらに,予測サンプルのグルーピングを最適化し,反復予測を行うS4VMのトレーニング手法を改善した。数値シミュレーションにより, この手法は予測精度を大幅に向上できることを確認した。

関連論文リスト

Local Binary and Multiclass SVMs Trained on a Quantum Annealer [0.8399688944263844]
近年,動作量子アンニールの出現に伴い,量子トレーニングと古典的実行を特徴とするハイブリッドSVMモデルが導入されている。これらのモデルは、古典的なモデルに匹敵する性能を示した。しかし、現在の量子アニールの接続が制限されているため、トレーニングセットサイズに制限がある。
論文参考訳（メタデータ） (2024-03-13T14:37:00Z)
Optimization meets Machine Learning: An Exact Algorithm for Semi-Supervised Support Vector Machines [0.9831489366502302]
サポートベクトルマシン(SVM)は、バイナリ分類のための教師付き学習モデルである。半定値プログラミング(SDP)緩和を用いたS3VMの新しい分岐手法を提案する。 SDP緩和は文献で利用できるものよりもはるかに強い境界を提供する。
論文参考訳（メタデータ） (2023-12-15T13:44:54Z)
Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文参考訳（メタデータ） (2023-11-07T04:35:03Z)
FULLER: Unified Multi-modality Multi-task 3D Perception via Multi-level Gradient Calibration [89.4165092674947]
マルチモダリティ融合とマルチタスク学習は、3D自動運転シナリオにおいてトレンドになりつつある。先行研究は、学習フレームワークを経験的な知識で手作業で調整し、それがサブオプティマに繋がる可能性がある。そこで本稿では,最適化中のタスクやモダリティにまたがる,シンプルなマルチレベル勾配校正学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-07-31T12:50:15Z)
Iterative Forward Tuning Boosts In-Context Learning in Language Models [88.25013390669845]
本研究では,大規模言語モデル(LLM)における文脈内学習を促進する新しい2段階フレームワークを提案する。具体的には、当社のフレームワークでは、ICLプロセスをDeep-ThinkingとTest Stageの2つの別々のステージに分類しています。ディープシンキング段階にはユニークな注意機構、すなわち反復的な注意強化機構が組み込まれており、複数の情報の蓄積を可能にしている。
論文参考訳（メタデータ） (2023-05-22T13:18:17Z)
Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
論文参考訳（メタデータ） (2023-04-04T17:59:04Z)
General Classification of Entanglement Using Machine Learning [0.0]
量子ビット系における多重粒子の絡み合いの分類は、純粋および混合状態に対して導入される。我々は、現在の機械学習とディープラーニング技術を使用して、各ランにおける異なるタイプの絡み合いの量を計算することなく、2、3、4キュービットのランダムな状態を自動分類する。
論文参考訳（メタデータ） (2022-10-14T11:24:55Z)
SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文参考訳（メタデータ） (2022-07-16T19:25:41Z)
Quantum Semi-Supervised Kernel Learning [4.726777092009554]
本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
論文参考訳（メタデータ） (2022-04-22T13:39:55Z)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
Using Machine Learning for Particle Track Identification in the CLAS12 Detector [0.0]
本稿では、有効なトラック候補を特定することによって、トラッキングを支援する4つの機械学習(ML)モデルの開発について述べる。 CLAS12再構成ソフトウェアの一部として、推奨トラック候補を持つアルゴリズムが実装された。その結果、ソフトウェアは99%以上の精度を達成し、既存のアルゴリズムと比較してエンドツーエンドのスピードアップは35%になった。
論文参考訳（メタデータ） (2020-08-28T21:57:38Z)

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。