論文の概要: Unveiling the nonclassicality within quasi-distribution representations through deep learning
- arxiv url: http://arxiv.org/abs/2312.16055v2
- Date: Fri, 01 Nov 2024 15:05:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-04 21:01:17.649389
- Title: Unveiling the nonclassicality within quasi-distribution representations through deep learning
- Title(参考訳): 準分布表現における非古典性を深層学習で解き明かす
- Authors: Hong-Bin Chen, Cheng-Hua Liu, Kuan-Lun Lai, Bor-Yann Tseng, Ping-Yuan Lo, Yueh-Nan Chen, Chi-Hua Yu,
- Abstract要約: 広く採用されているアプローチは、非古典性の説得力のある証拠として準分布表現の負の値に焦点を当てている。
本稿では, 深層生成モデルを用いて3つの辺縁処理を行い, 連成準分布関数を構成する計算手法を提案する。
また、量子状態のウィグナー関数を構築するための実験的な取り組みを大幅に削減する。
- 参考スコア(独自算出の注目度): 1.130790932059036
- License:
- Abstract: To unequivocally distinguish genuine quantumness from classicality, a widely adopted approach focuses on the negative values of a quasi-distribution representation as compelling evidence of nonclassicality. Prominent examples include the dynamical process nonclassicality characterized by the canonical Hamiltonian ensemble representation (CHER) and the nonclassicality of quantum states characterized by the Wigner function. However, to construct a multivariate joint quasi-distribution function with negative values from experimental data is typically highly cumbersome. Here we propose a computational approach utilizing a deep generative model, processing three marginals, to construct the bivariate joint quasi-distribution functions. We first apply our model to tackle the challenging problem of the CHERs, which lacks universal solutions, rendering the problem ground-truth (GT) deficient. To overcome the GT deficiency of the CHER problem, we design optimal synthetic datasets to train our model. While trained with synthetic data, the physics-informed optimization enables our model to capture the detrimental effect of the thermal fluctuations on nonclassicality, which cannot be obtained from any analytical solutions. This underscores the reliability of our approach. This approach also allows us to predict the Wigner functions subject to thermal noises. Our model predicts the Wigner functions with a prominent accuracy by processing three marginals of probability distributions. Our approach also provides a significant reduction of the experimental efforts of constructing the Wigner functions of quantum states, giving rise to an efficient alternative way to realize the quantum state tomography.
- Abstract(参考訳): 真の量子性と古典性を明確に区別するために、広く採用されているアプローチは、非古典性の説得力のある証拠として準分布表現の負の値に焦点を当てている。
代表的な例としては、標準ハミルトンアンサンブル表現(CHER)によって特徴づけられる力学過程の非古典性や、ウィグナー関数によって特徴づけられる量子状態の非古典性がある。
しかし、実験データから負の値を持つ多変量結合準分布関数を構築するのは非常に困難である。
本稿では,2変量結合準分布関数を構築するために,深層生成モデルを用いて3つの辺縁処理を行う計算手法を提案する。
我々はまず,普遍解が欠如しているCHERの難解な問題に対処するために,我々のモデルを適用した。
CHER問題のGT不足を克服するために、モデルをトレーニングするための最適な合成データセットを設計する。
物理インフォームド最適化では, 解析解から得られない非古典性に対する熱ゆらぎの有害な効果を捉えることができる。
これは我々のアプローチの信頼性を浮き彫りにする。
このアプローチはまた、熱雑音を受けるウィグナー関数を予測できる。
我々のモデルは確率分布の3つの限界を処理し、ワイナー関数を顕著な精度で予測する。
また、量子状態のウィグナー関数を構築するための実験的な努力を大幅に削減し、量子状態トモグラフィーを実現するための効率的な代替手段を生み出した。
関連論文リスト
- Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。
トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。
トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
論文 参考訳(メタデータ) (2024-03-31T00:09:58Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。
本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。
量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
論文 参考訳(メタデータ) (2022-06-01T11:03:51Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳(メタデータ) (2022-01-21T16:35:35Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳(メタデータ) (2021-10-21T07:28:11Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Physics-constrained Bayesian inference of state functions in classical
density-functional theory [0.6445605125467573]
我々は,古典統計力学の逆問題に対する新しいデータ駆動手法を開発した。
我々は, 近似自由エネルギー関数の構成を特徴付ける効率的な学習アルゴリズムを開発した。
我々は、自由エネルギーの観点からモデリングする上で非常に困難である一方、自然界においてユビキタスな体積粒子相互作用を除外することを検討する。
論文 参考訳(メタデータ) (2020-10-07T12:43:42Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。