論文の概要: Layerwise Quantum Convolutional Neural Networks Provide a Unified Way
for Estimating Fundamental Properties of Quantum Information Theory
- arxiv url: http://arxiv.org/abs/2401.07716v1
- Date: Mon, 15 Jan 2024 14:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 17:02:10.834714
- Title: Layerwise Quantum Convolutional Neural Networks Provide a Unified Way
for Estimating Fundamental Properties of Quantum Information Theory
- Title（参考訳）: 階層型量子畳み込みニューラルネットワークは、量子情報理論の基本特性を統一的に推定する手段を提供する
- Authors: Myeongjin Shin, Seungwoo Lee, Mingyu Lee, Donghwa Ji, Hyeonjun Yeo,
Harrison J. Lee, Kabgyun Jeong
- Abstract要約: 本稿では,レイヤワイド量子畳み込みニューラルネットワーク(LQCNN)を用いた統一手法を提案する。
大規模量子ビット状態におけるバレンプラトーや複雑性問題といった問題に直面した特性推定のためのパラメータ化量子回路の研究が最近行われている。
- 参考スコア（独自算出の注目度）: 1.609244566234922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The estimation of fundamental properties in quantum information theory,
including von Neumann entropy, R\'enyi entropy, Tsallis entropy, quantum
relative entropy, trace distance, and fidelity, has received significant
attention. While various algorithms exist for individual property estimation, a
unified approach is lacking. This paper proposes a unified methodology using
Layerwise Quantum Convolutional Neural Networks (LQCNN). Recent studies
exploring parameterized quantum circuits for property estimation face
challenges such as barren plateaus and complexity issues in large qubit states.
In contrast, our work overcomes these challenges, avoiding barren plateaus and
providing a practical solution for large qubit states. Our first contribution
offers a mathematical proof that the LQCNN structure preserves fundamental
properties. Furthermore, our second contribution analyzes the algorithm's
complexity, demonstrating its avoidance of barren plateaus through a structured
local cost function.
- Abstract（参考訳）: von neumann entropy、r\'enyi entropy、tsallis entropy、quantum relative entropy、trace distance、fidelityなどの量子情報理論における基本的な性質の推定が注目されている。
個々の資産推定には様々なアルゴリズムが存在するが、統一的なアプローチは欠如している。
本稿では,階層型量子畳み込みニューラルネットワーク(lqcnn)を用いた統一手法を提案する。
大規模量子ビット状態におけるバレンプラトーや複雑性問題といった問題に直面した特性推定のためのパラメータ化量子回路の研究が最近行われている。
対照的に、我々の研究はこれらの課題を克服し、不毛の高原を避け、大きな量子ビット状態に対して実用的な解決策を提供する。
我々の最初の貢献は、LQCNN構造が基本的性質を保存するという数学的証明を提供する。
さらに,第2の貢献は,アルゴリズムの複雑さを分析し,構造的局所コスト関数による不毛高原の回避を示す。
関連論文リスト
- Quantum consistent neural/tensor networks for photonic circuits with strongly/weakly entangled states [0.0]
本稿では,閉じた絡み合ったシステムの正確なユニタリ進化を,高精度で効率的な量子一貫した方法で近似する手法を提案する。
量子力学の少数の例でネットワークを訓練することにより、より大きなヒルベルト空間における効率的なパラメータ推定を可能にする。
論文 参考訳（メタデータ） (2024-06-03T09:51:25Z) - 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) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - Adaptive measurement strategy for quantum subspace methods [0.0]
本稿では,量子部分空間法に有用な適応計測最適化法を提案する。
提案手法は、まず古典的にシミュレート可能な状態の測定プロトコルを決定し、次に量子部分空間展開のプロトコルを適応的に更新する。
数値実験として,分子の励起状態シミュレーションを行い,測定回数を桁違いに削減できることを示した。
論文 参考訳（メタデータ） (2023-11-14T04:00:59Z) - Quantum Neural Estimation of Entropies [20.12693323453867]
エントロピー測度は、量子システムに存在する情報と相関の量を定量化する。
我々はフォン・ノイマンとレーニイのエントロピーを推定するための変分量子アルゴリズムと、測定された相対エントロピーと測定されたR'enyiの相対エントロピーを提案する。
論文 参考訳（メタデータ） (2023-07-03T17:30:09Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Estimating Quantum Mutual Information Through a Quantum Neural Network [0.8988769052522807]
量子相互情報ニューラル推定(QMINE)と呼ばれる量子機械学習の手法を提案する。
QMINEはフォン・ノイマンエントロピーと量子相互情報(英語版)を推定し、量子情報理論の基本的な性質である。
数値観測はQDVRの予測を支援し,QMINEの性能を実証する。
論文 参考訳（メタデータ） (2023-06-26T10:26:45Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳（メタデータ） (2022-02-17T19:00:09Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳（メタデータ） (2021-08-30T23:50:05Z) - Finding Quantum Critical Points with Neural-Network Quantum States [0.0]
本稿では,ニューラルネットワーク量子状態を用いた量子イジングモデルの量子臨界点探索手法を提案する。
我々は、本質的に制限されたボルツマンマシン、トランスファーラーニング、教師なし学習を解析的に構築した。
論文 参考訳（メタデータ） (2020-02-07T04:39:09Z) - Direct estimation of quantum coherence by collective measurements [54.97898890263183]
量子状態におけるコヒーレンス量を推定するための集合的測定手法を提案する。
本手法は、トモグラフィーや適応計測に基づいて、他の推定方法よりも優れている。
本手法は,光子を用いて実験的に実装することで,今日の技術で利用できることを示す。
論文 参考訳（メタデータ） (2020-01-06T03:50:42Z)
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。