論文の概要: Quantum process tomography of structured optical gates with convolutional neural networks

• arxiv url: http://arxiv.org/abs/2402.16616v1
• Date: Mon, 26 Feb 2024 14:47:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 20:30:45.285341
• Title: Quantum process tomography of structured optical gates with convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた構造光ゲートの量子プロセストモグラフィー
• Authors: Tareq Jaouni, Francesco Di Colandrea, Lorenzo Amato, Filippo Cardano, Ebrahim Karimi
• Abstract要約: 本研究では,空間依存型SU(2)演算子の高速かつ高精度な再構成を可能にするディープラーニング手法について検討する。 スケーラブルなU-Netアーキテクチャに基づいて畳み込みニューラルネットワークをトレーニングし、実験画像全体を並列に処理する。 提案手法は、量子プロセストモグラフィーへのデータ駆動アプローチのツールボックスをさらに拡張し、複雑な光ゲートのリアルタイム評価において有望であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The characterization of a unitary gate is experimentally accomplished via Quantum Process Tomography, which combines the outcomes of different projective measurements to reconstruct the underlying operator. The process matrix is typically extracted from maximum-likelihood estimation. Recently, optimization strategies based on evolutionary and machine-learning techniques have been proposed. Here, we investigate a deep-learning approach that allows for fast and accurate reconstructions of space-dependent SU(2) operators, only processing a minimal set of measurements. We train a convolutional neural network based on a scalable U-Net architecture to process entire experimental images in parallel. Synthetic processes are reconstructed with average fidelity above 90%. The performance of our routine is experimentally validated on complex polarization transformations. Our approach further expands the toolbox of data-driven approaches to Quantum Process Tomography and shows promise in the real-time characterization of complex optical gates.
• Abstract（参考訳）: ユニタリゲートのキャラクタリゼーションは量子プロセストモグラフィーによって実験的に達成され、異なる射影計測結果を組み合わせて基礎となる演算子を再構築する。 プロセスマトリックスは通常、最大線量推定から抽出される。 近年,進化的および機械学習に基づく最適化戦略が提案されている。 本稿では,空間依存型SU(2)演算子の高速かつ高精度な再構成を可能にする深層学習手法について検討する。 我々は,スケーラブルなu-netアーキテクチャに基づく畳み込みニューラルネットワークを訓練し,実験画像全体を並列に処理する。 合成過程は90%以上の忠実度で再構成される。 我々のルーチンの性能は、複素偏光変換で実験的に検証される。 この手法は量子プロセストモグラフィへのデータ駆動アプローチのツールボックスをさらに拡大し、複雑な光学ゲートのリアルタイムキャラクタリゼーションにおいて有望性を示す。

関連論文リスト

• Fast Quantum Process Tomography via Riemannian Gradient Descent [3.1406146587437904]
  制約付き最適化は、量子物理学と量子情報科学の分野において重要な役割を果たす。 量子プロセストモグラフィー(quantum process tomography)は、特定の測定データに基づいて基礎となる量子プロセスを取得することを目的としている。
  論文  参考訳（メタデータ） (2024-04-29T16:28:14Z)
• Fourier Quantum Process Tomography [0.0]
  フーリエ量子プロセス・トモグラフィーと呼ばれる新しい手法を導入する。 本研究では, 空間依存性の偏光変換について実験を行い, 平均忠実度を90%以上と評価した。
  論文  参考訳（メタデータ） (2023-12-20T22:17:56Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
  トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。 ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。 これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
  論文  参考訳（メタデータ） (2022-10-27T11:37:14Z)
• Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
  決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。 我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-01T19:00:11Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)

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。