論文の概要: Photonic probabilistic machine learning using quantum vacuum noise
- arxiv url: http://arxiv.org/abs/2403.04731v1
- Date: Thu, 7 Mar 2024 18:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 13:06:48.891972
- Title: Photonic probabilistic machine learning using quantum vacuum noise
- Title（参考訳）: 量子真空雑音を用いたフォトニック確率機械学習
- Authors: Seou Choi, Yannick Salamin, Charles Roques-Carmes, Rumen Dangovski, Di
Luo, Zhuo Chen, Michael Horodynski, Jamison Sloan, Shiekh Zia Uddin, and
Marin Soljacic
- Abstract要約: 確率論的機械学習は、ランダム性の制御可能なソースを利用して不確実性を符号化し、統計的モデリングを可能にする。
ここでは、制御可能なフォトニック要素からなるフォトニック確率コンピュータを実装した。
我々の研究は、スケーラブルで超高速でエネルギー効率の良い機械学習ハードウェアの道を開いた。
- 参考スコア（独自算出の注目度）: 8.194733686324204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic machine learning utilizes controllable sources of randomness to
encode uncertainty and enable statistical modeling. Harnessing the pure
randomness of quantum vacuum noise, which stems from fluctuating
electromagnetic fields, has shown promise for high speed and energy-efficient
stochastic photonic elements. Nevertheless, photonic computing hardware which
can control these stochastic elements to program probabilistic machine learning
algorithms has been limited. Here, we implement a photonic probabilistic
computer consisting of a controllable stochastic photonic element - a photonic
probabilistic neuron (PPN). Our PPN is implemented in a bistable optical
parametric oscillator (OPO) with vacuum-level injected bias fields. We then
program a measurement-and-feedback loop for time-multiplexed PPNs with
electronic processors (FPGA or GPU) to solve certain probabilistic machine
learning tasks. We showcase probabilistic inference and image generation of
MNIST-handwritten digits, which are representative examples of discriminative
and generative models. In both implementations, quantum vacuum noise is used as
a random seed to encode classification uncertainty or probabilistic generation
of samples. In addition, we propose a path towards an all-optical probabilistic
computing platform, with an estimated sampling rate of ~ 1 Gbps and energy
consumption of ~ 5 fJ/MAC. Our work paves the way for scalable, ultrafast, and
energy-efficient probabilistic machine learning hardware.
- Abstract（参考訳）: 確率的機械学習は、不確かさを符号化し統計的モデリングを可能にするために、制御可能なランダム性源を利用する。
変動する電磁場から生じる量子真空ノイズの純粋ランダム性は、高速でエネルギー効率のよいフォトニック素子を約束している。
それでも、確率的要素を制御して確率的機械学習アルゴリズムをプログラムできるフォトニックコンピューティングハードウェアは限られている。
ここでは、制御可能な確率的フォトニック要素、フォトニック確率ニューロン(PPN)からなるフォトニック確率コンピュータを実装した。
我々のPPNは真空レベルのバイアス場を持つバイスタブル光パラメトリック発振器(OPO)に実装されている。
次に、ある確率的機械学習タスクを解決するために、時間多重化PPNと電子プロセッサ(FPGAまたはGPU)の計測フィードバックループをプログラムする。
識別モデルと生成モデルの代表的な例であるMNIST手書き桁の確率的推論と画像生成について述べる。
どちらの実装においても、量子真空ノイズは、分類の不確かさやサンプルの確率的生成を符号化するランダムシードとして用いられる。
さらに,全光学確率計算プラットフォームへの道筋として,推定サンプリングレート~1Gbps,エネルギー消費量~5fJ/MACを提案する。
我々の研究は、スケーラブルで超高速でエネルギー効率の良い機械学習ハードウェアの道を開いた。
関連論文リスト
- Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - Biasing the quantum vacuum to control macroscopic probability
distributions [1.8970998489527955]
真空レベルの「バイアス」場を多安定光学系に注入することで、「バイアス」量子ランダム性の制御可能な源が得られることを示す。
私たちはこのプロセスの背後にある物理学に光を当て、理論と実験の間の定量的な一致を示しました。
論文 参考訳（メタデータ） (2023-03-06T19:26:22Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Perceval: A Software Platform for Discrete Variable Photonic Quantum
Computing [1.3767989047174227]
我々は、離散可変フォトニック量子コンピュータをシミュレートし、対面するオープンソースのソフトウェアプラットフォームPercevalを紹介する。
Pythonのフロントエンドでは、フォトニック回路は光子源、ビームスプリッター、位相シフト器、検出器などの基本的なフォトニックビルディングブロックから構成できる。
本稿では、様々なフォトニック実験を再現し、様々な量子アルゴリズムのフォトニック実装をシミュレートすることで、Percevalの動作例を示す。
論文 参考訳（メタデータ） (2022-04-01T17:49:01Z) - Multi-bit quantum random number generator from path-entangled single
photons [2.095553036791944]
量子系の測定結果は固有のランダム性を示し、基本的に非決定論的である。
経路交絡単一光子を用いた多ビット乱数生成手法を提案する。
論文 参考訳（メタデータ） (2022-02-22T14:37:17Z) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳（メタデータ） (2021-10-11T18:00:20Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳（メタデータ） (2020-12-07T18:51:28Z) - Holographically-controlled random numbers from entangled twisted photons [0.0]
光の量子状態の重畳に関する射影測定に固有のランダムな結果に基づく量子乱数生成器(QRNG)を提案する。
空間光変調器に符号化された多重ホログラムを用いて、下向き変換された光子を光路の重ね合わせに空間的にマッピングする。
我々のQRNGは1光子当たり$textH_textmin=0.9991pm0.0003$ビットのエントロピーを達成し、NIST統計テストスイートをパスした。
論文 参考訳（メタデータ） (2020-07-15T12:34:44Z) - Noise robustness and experimental demonstration of a quantum generative
adversarial network for continuous distributions [0.5249805590164901]
連続確率分布を学習するために、ノイズの多いハイブリッド量子生成逆数ネットワーク(HQGAN)を数値シミュレーションする。
また,アルゴリズムの計算スケーリングを削減するために,異なるパラメータがトレーニング時間に与える影響についても検討する。
我々の研究結果は、ノイズの多い中間量子デバイス上で異なる量子機械学習アルゴリズムを実験的に探索するための道を開いた。
論文 参考訳（メタデータ） (2020-06-02T23:14:45Z) - Quantum Random Number Generation using a Solid-State Single-Photon
Source [89.24951036534168]
量子乱数生成(QRNG)は、量子力学現象の固有乱数性を利用する。
六方晶窒化ホウ素の量子エミッタによるQRNGの実証を行った。
本研究は,オンチップ決定性乱数生成器の製作への新たな道を開くものである。
論文 参考訳（メタデータ） (2020-01-28T22:47:43Z)
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。