論文の概要: Bootstrapping Classical Shadows for Neural Quantum State Tomography

• arxiv url: http://arxiv.org/abs/2405.06864v3
• Date: Wed, 21 Aug 2024 23:42:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 19:15:36.397631
• Title: Bootstrapping Classical Shadows for Neural Quantum State Tomography
• Title（参考訳）: ニューラル量子状態トモグラフィーのためのブートストラップ古典影
• Authors: Wirawat Kokaew, Bohdan Kulchytskyy, Shunji Matsuura, Pooya Ronagh,
• Abstract要約: 古典的影を用いたクロスエントロピー損失関数の最適化のための新しい推定器を提案する。 この損失関数は、古典的な影の測定に基づいて訓練されたトランスフォーマーベースニューラルネットワークを用いて、GHZ状態の安定な再構成を実現するために利用できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the advantages of using autoregressive neural quantum states as ansatze for classical shadow tomography to improve its predictive power. We introduce a novel estimator for optimizing the cross-entropy loss function using classical shadows, and a new importance sampling strategy for estimating the loss gradient during training using stabilizer samples collected from classical shadows. We show that this loss function can be used to achieve stable reconstruction of GHZ states using a transformer-based neural network trained on classical shadow measurements. This loss function also enables the training of neural quantum states representing purifications of mixed states. Our results show that the intrinsic capability of autoregressive models in representing physically well-defined density matrices allows us to overcome the weakness of Pauli-based classical shadow tomography in predicting both high-weight observables and nonlinear observables such as the purity of pure and mixed states.
• Abstract（参考訳）: 本研究では, 自己回帰型ニューラル量子状態を用いた古典的影トモグラフィーによる予測能力向上のメリットについて検討する。 本稿では,古典的影を用いたクロスエントロピー損失関数の最適化と,古典的影から収集したスタビライザサンプルを用いてトレーニング中の損失勾配を推定するための新たな重要サンプリング手法を提案する。 この損失関数は、古典的な影の測定に基づいて訓練されたトランスフォーマーベースニューラルネットワークを用いて、GHZ状態の安定な再構成を実現するために利用できることを示す。 この損失関数はまた、混合状態の精製を表す神経量子状態の訓練を可能にする。 以上の結果から, 物理的に明確に定義された密度行列を表す自己回帰モデルの本質的な能力は, 純粋および混合状態の純度などの高次観測値と非線形観測値の両方を予測する上で, パウリをベースとした古典的シャドウトモグラフィーの弱点を克服できることが示唆された。

関連論文リスト

• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Neural-Shadow Quantum State Tomography [0.0]
  ニューラルシャドウ量子状態トモグラフィー (NSQST) は、代替のニューラルネットワークベースの量子状態トモグラフィープロトコルである。 対象状態の古典的影を用いて不忠実さを推定する。 NSQSTは、誤差を緩和することなく、様々な種類のノイズに対して堅牢である。
  論文  参考訳（メタデータ） (2023-05-01T20:23:57Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• BiTAT: Neural Network Binarization with Task-dependent Aggregated Transformation [116.26521375592759]
  量子化は、与えられたニューラルネットワークの高精度ウェイトとアクティベーションを、メモリ使用量と計算量を減らすために、低精度ウェイト/アクティベーションに変換することを目的としている。 コンパクトに設計されたバックボーンアーキテクチャの極端量子化(1ビットの重み/1ビットのアクティベーション)は、深刻な性能劣化をもたらす。 本稿では,性能劣化を効果的に緩和する新しいQAT法を提案する。
  論文  参考訳（メタデータ） (2022-07-04T13:25:49Z)
• On Classical and Hybrid Shadows of Quantum States [0.0]
  古典的な影は、古典的なコンピュータ上の量子状態を保存するための計算的に効率的なアプローチである。 我々は、古典的な影を使って多体力学をシミュレートする利点と限界について論じる。 システムの一部の計測結果から構築されたハイブリッドシャドウの概念を導入する。
  論文  参考訳（メタデータ） (2022-06-14T06:25:24Z)
• On Convergence of Training Loss Without Reaching Stationary Points [62.41370821014218]
  ニューラルネットワークの重み変数は、損失関数の勾配が消える定常点に収束しないことを示す。 エルゴード理論の力学系に基づく新しい視点を提案する。
  論文  参考訳（メタデータ） (2021-10-12T18:12:23Z)
• Classical Shadow Tomography with Locally Scrambled Quantum Dynamics [0.0]
  古典的なシャドウトモグラフィースキームを有限深さあるいは有限時間局所ユニタリアンサンブルの広いクラスに一般化する。 有限深部局所ユニタリ回路と有限時間局所ハミルトニアン生成進化に対する我々のアプローチを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-10T11:34:51Z)
• Adaptive Pauli Shadows for Energy Estimation [0.0]
  近年、デランド化された古典的な影はさらに正確であると主張する声が上がっている。 この精度は、エネルギー推定手順に古典的な計算資源を導入するコストが伴う。 本稿では、局所バイアスのある古典的シャドウ設定に、この古典的コンピューティングリソースの一部を付加することにより、修正されたアルゴリズムであるAdaptive Pauli Shadowsがエネルギー推定の最先端であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T20:42:35Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Anomaly detection with variational quantum generative adversarial networks [0.0]
  GAN(Generative Adversarial Network)は、ターゲット分布からサンプリングする生成モデルを含む機械学習フレームワークである。 これらの問題に対処するために、変分量子古典ワッサースタインGANを導入し、このモデルを古典的な機械学習フレームワークに組み込んで異常検出を行う。 我々のモデルは、ワッサースタインGANのジェネレータをハイブリッド量子古典ニューラルネットに置き換え、古典的な判別モデルをそのまま残す。
  論文  参考訳（メタデータ） (2020-10-20T17:48:04Z)

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。