論文の概要: Disentanglement Provides a Unified Estimation for Quantum Entropies and Distance Measures
- arxiv url: http://arxiv.org/abs/2401.07716v2
- Date: Mon, 29 Jul 2024 07:00:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 00:16:53.110618
- Title: Disentanglement Provides a Unified Estimation for Quantum Entropies and Distance Measures
- Title(参考訳): 量子エントロピーと距離測度を統一的に推定するディスタングルメント
- Authors: Myeongjin Shin, Seungwoo Lee, Junseo Lee, Mingyu Lee, Donghwa Ji, Hyeonjun Yeo, Kabgyun Jeong,
- Abstract要約: 本稿では、量子エントロピーと距離を推定するために、分散量子ニューラルネットワーク(DEQNN)を用いた統一的なアプローチを提案する。
我々の数学的証明は、DECNNがより小さな部分状態において量子エントロピーと距離を保存できることを証明している。
この方法は任意の数の量子状態に対してスケーラブルであり、特により複雑な量子系に対して有効である。
- 参考スコア(独自算出の注目度): 2.14566083603001
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The estimation of quantum entropies and distance measures, such as von Neumann entropy, R\'enyi entropy, Tsallis entropy, trace distance, and fidelity-induced distances like Bures distance, has been a key area of research. This paper introduces a unified approach using Disentangling Quantum Neural Networks (DEQNN) for estimating these quantities, leveraging continuity bounds and disentanglement in the cost function design. Our mathematical proof demonstrates that DEQNN can preserve quantum entropies and distances in smaller partial states, making them suitable for further estimation. This method is scalable to an arbitrary number of quantum states and is particularly effective for less complex quantum systems. Numerical simulations validate our approach, and we also discuss strategies to enhance trainability and avoid barren plateaus.
- Abstract(参考訳): フォン・ノイマン・エントロピー、R'enyi Entropy、Tsallis entropy、トレース距離、およびビュールズ距離のような忠実度誘起距離などの量子エントロピーと距離測度の推定は研究の重要な領域である。
本稿では,これらの量の推定に分散量子ニューラルネットワーク(DEQNN)を用いた統一的手法を提案する。
我々の数学的証明は、DECNNがより小さな部分状態で量子エントロピーと距離を保存できることを示し、さらなる推定に適している。
この方法は任意の数の量子状態に対してスケーラブルであり、特により複雑な量子系に対して有効である。
数値シミュレーションにより本手法の有効性を検証し,トレーニング性の向上と不毛な高原の回避策についても検討する。
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。