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 topological data analysis via the estimation of the density of
states [17.857341127079305]
ラプラシアンの状態密度(DOS)を推定した量子トポロジカルデータ解析プロトコルを開発した。
我々は、ノイズレスでノイズの多い量子シミュレータ上でプロトコルをテストし、IBM量子プロセッサ上でサンプルを実行する。
論文 参考訳(メタデータ) (2023-12-12T09:43:04Z) - Statistical Analysis of Quantum State Learning Process in Quantum Neural
Networks [4.852613028421959]
量子ニューラルネットワーク(QNN)は、短期的な量子優位を追求する上で有望なフレームワークである。
高忠実な初期状態から始まるQNNを用いて未知の量子状態を学ぶためのノーゴー定理を開発する。
論文 参考訳(メタデータ) (2023-09-26T14:54:50Z) - The Expressivity of Classical and Quantum Neural Networks on
Entanglement Entropy [0.3299672391663526]
R'enyi エントロピーのフォン・ノイマンエントロピー(Von Neumann entropy)は、場の量子論において難しい問題である。
教師付き学習を用いた古典的および量子的ニューラルネットワークを用いて,この問題に対処するための一般的な枠組みを提案する。
提案手法はフォン・ノイマンとレーニのエントロピーを数値的に正確に予測できる。
論文 参考訳(メタデータ) (2023-05-01T18:00:01Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - Real-Time Krylov Theory for Quantum Computing Algorithms [0.0]
リアルタイム進化によって生成された部分空間を用いた新しいアプローチは、固有状態情報抽出の効率性を示している。
本稿では,量子ハードウェア上で固有値を抽出する,コンパクトかつ効率的なリアルタイムアルゴリズムである変分量子位相推定法(VQPE)を開発した。
強相関系に対する電子構造予測などの量子計算の基本問題への応用について論じる。
論文 参考訳(メタデータ) (2022-08-01T18:00:48Z) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳(メタデータ) (2022-03-30T02:02:16Z) - Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。
特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
論文 参考訳(メタデータ) (2021-12-27T21:15:35Z) - On exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Neural Networks for Quantum Inverse Problems [7.177969023041846]
量子逆問題(Quantum Inverse Problem, QIP)は、未知の量子系を測定値から推定する問題である。
本稿では,古典的手法として広く研究されているQIPのニューラルネットワークに基づく手法を提案する。
本手法は, 数値実験と量子光学実験の両方において高い忠実度, 効率, 堅牢性が得られる。
論文 参考訳(メタデータ) (2020-05-04T14:51:55Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。