論文の概要: Quantum Network Tomography

• arxiv url: http://arxiv.org/abs/2405.11396v1
• Date: Sat, 18 May 2024 21:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 17:59:18.191088
• Title: Quantum Network Tomography
• Title（参考訳）: 量子ネットワークトモグラフィ
• Authors: Matheus Guedes de Andrade, Jake Navas, Saikat Guha, Inès Montaño, Michael Raymer, Brian Smith, Don Towsley,
• Abstract要約: 本稿では、量子ネットワークトモグラフィー(QNT)の概要と、量子スターネットワークを特徴付ける最初の結果について述べる。 我々は、ビットフリップチャネルを推定するために予め定義されたQNTプロトコルを適用し、非分極チャネルを推定する。 有限標本状態における量子クレーマー・ラオバウンド(QCRB)と平均正方形誤差(MSE)を評価することにより,推定器の性能を数値的に解析する。
• 参考スコア（独自算出の注目度）: 7.788995634397122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Errors are the fundamental barrier to the development of quantum systems. Quantum networks are complex systems formed by the interconnection of multiple components and suffer from error accumulation. Characterizing errors introduced by quantum network components becomes a fundamental task to overcome their depleting effects in quantum communication. Quantum Network Tomography (QNT) addresses end-to-end characterization of link errors in quantum networks. It is a tool for building error-aware applications, network management, and system validation. We provide an overview of QNT and its initial results for characterizing quantum star networks. We apply a previously defined QNT protocol for estimating bit-flip channels to estimate depolarizing channels. We analyze the performance of our estimators numerically by assessing the Quantum Cram\`er-Rao Bound (QCRB) and the Mean Square Error (MSE) in the finite sample regime. Finally, we provide a discussion on current challenges in the field of QNT and elicit exciting research directions for future investigation.
• Abstract（参考訳）: エラーは量子系の発展の基本的な障壁である。 量子ネットワークは、複数のコンポーネントの相互接続によって形成される複雑なシステムであり、エラーの蓄積に悩まされている。 量子ネットワークコンポーネントによって導入されたエラーを特徴づけることは、量子通信におけるそれらの劣化効果を克服するための基本的なタスクとなる。 量子ネットワークトモグラフィ(Quantum Network Tomography, QNT)は、量子ネットワークにおけるリンクエラーのエンドツーエンド評価に対処する。 エラー対応アプリケーション、ネットワーク管理、システム検証を構築するためのツールである。 量子スターネットワークを特徴付けるためのQNTとその初期結果について概説する。 我々は、ビットフリップチャネルを推定するために予め定義されたQNTプロトコルを適用し、非分極チャネルを推定する。 有限標本状態におけるQuantum Cram\`er-Rao Bound (QCRB) とMean Square Error (MSE) の評価により, 推定器の性能を数値解析した。 最後に,QNT分野における現在の課題について考察し,今後の研究にエキサイティングな研究指針を提示する。

関連論文リスト

• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• Error-tolerant quantum convolutional neural networks for symmetry-protected topological phases [0.0]
  パラメトリック化量子回路、測定、フィードフォワードに基づく量子ニューラルネットワークは、大量の量子データを処理できる。 量子畳み込みニューラルネットワーク(QCNN)を構築し,異なる対称性で保護された位相を認識できる。 QCNNの出力は閾値誤差確率以下の対称性破り誤差に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2023-07-07T16:47:02Z)
• 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)
• Quantum Network Tomography with Multi-party State Distribution [10.52717496410392]
  量子ネットワークにおける量子チャネルのキャラクタリゼーションは、最重要事項である。 本稿では量子ネットワークトモグラフィーの問題点を紹介する。 一つのパウリ作用素によって記述された量子チャネルを持つ任意のスター量子ネットワークの場合、この問題を詳細に研究する。
  論文  参考訳（メタデータ） (2022-06-06T21:47:09Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。