論文の概要: Quantum Neural Network Training of a Repeater Node
- arxiv url: http://arxiv.org/abs/2408.04709v1
- Date: Thu, 8 Aug 2024 18:19:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 17:18:49.522221
- Title: Quantum Neural Network Training of a Repeater Node
- Title（参考訳）: リピータノードの量子ニューラルネットワークトレーニング
- Authors: Diego Fuentealba, Jack Dahn, James Steck, Elizabeth Behrman,
- Abstract要約: 現実の量子コンピュータは、量子回路のデコヒーレンスと緩和時間によって特徴付けられる様々な種類のノイズに悩まされる。
スワップ操作を行い、トレーニングされたQNNソリューションと標準スワップゲートを比較するために量子ニューラルネットワーク(QNN)を構築する。
QNNは2つの量子ビットに対して容易に一般化でき、追加のトレーニングなしでより多くの量子ビットにスケールアップできる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The construction of robust and scalable quantum gates is a uniquely hard problem in the field of quantum computing. Real-world quantum computers suffer from many forms of noise, characterized by the decoherence and relaxation times of a quantum circuit, which make it very hard to construct efficient quantum algorithms. One example is a quantum repeater node, a circuit that swaps the states of two entangled input and output qubits. Robust quantum repeaters are a necessary building block of long-distance quantum networks. A solution exists for this problem, known as a swap gate, but its noise tolerance is poor. Machine learning may hold the key to efficient and robust quantum algorithm design, as demonstrated by its ability to learn to control other noisy and highly nonlinear systems. Here, a quantum neural network (QNN) is constructed to perform the swap operation and compare a trained QNN solution to the standard swap gate. The system of qubits and QNN is constructed in MATLAB and trained under ideal conditions before noise is artificially added to the system to test robustness. We find that the QNN easily generalizes for two qubits and can be scaled up to more qubits without additional training. We also find that as the number of qubits increases, the noise tolerance increases with it, meaning a sufficiently large system can produce extremely noise-tolerant results. This begins to explore the ability of neural networks to construct those robust systems.
- Abstract（参考訳）: 堅牢でスケーラブルな量子ゲートの構築は、量子コンピューティングの分野で一意に難しい問題である。
実世界の量子コンピュータは、量子回路のデコヒーレンスと緩和時間によって特徴付けられる多くの種類のノイズに悩まされており、効率的な量子アルゴリズムを構築するのは非常に困難である。
量子リピータノード(quantum repeater node)は、2つの絡み合った入力と出力キュービットの状態を交換する回路である。
ロバスト量子リピータは、長距離量子ネットワークに必要なビルディングブロックである。
スワップゲートと呼ばれるこの問題に対する解決策はあるが、耐雑音性は乏しい。
機械学習は、他のノイズの多い高非線形システムを制御することを学ぶ能力によって示されるように、効率的で堅牢な量子アルゴリズム設計の鍵を握るかもしれない。
ここでは、スワップ操作を実行し、トレーニングされたQNNソリューションを標準スワップゲートと比較するために量子ニューラルネットワーク(QNN)を構築する。
量子ビットとQNNのシステムはMATLABで構築され、ノイズがシステムの堅牢性をテストするために人工的に付加される前に理想的な条件下で訓練される。
QNNは2つの量子ビットに対して容易に一般化でき、追加のトレーニングなしでより多くの量子ビットにスケールアップできる。
また, 量子ビットの数が増加するにつれて, 耐雑音性も増大し, 十分に大きなシステムでは耐雑音性が非常に高いことが判明した。
これは、ニューラルネットワークがこれらの堅牢なシステムを構築する能力を探求し始めます。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - 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) - Scalable Quantum Neural Networks for Classification [11.839990651381617]
本稿では,複数の小型量子デバイスの量子資源を協調的に利用することにより,スケーラブルな量子ニューラルネットワーク(SQNN)を実現する手法を提案する。
SQNNシステムでは、いくつかの量子デバイスが量子特徴抽出器として使われ、入力インスタンスから並列に局所的な特徴を抽出し、量子デバイスは量子予測器として機能する。
論文 参考訳（メタデータ） (2022-08-04T20:35:03Z) - Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study
on QuantumFlow [25.408147000243158]
本論文は、別の角度からノイズ問題に取り組むことを目的としている。
一般量子アルゴリズムのための完全量子ビットを作成する代わりに、専用アルゴリズムのノイズ問題を緩和する可能性について検討する。
本稿では、量子ニューラルネットワーク(QNN)を対象とし、トレーニングフェーズにおける誤りを学習し、識別されたQNNモデルがノイズに耐性を持つようにすることを提案する。
論文 参考訳（メタデータ） (2021-09-08T04:43:12Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - 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) - Realising and compressing quantum circuits with quantum reservoir
computing [2.834895018689047]
量子ノードのランダムネットワークが量子コンピューティングの堅牢なハードウェアとしてどのように使用できるかを示す。
我々のネットワークアーキテクチャは、量子ノードの単一層のみを最適化することで量子演算を誘導する。
数量子状態においては、量子回路内の複数の量子ゲートのシーケンスは単一の演算で圧縮することができる。
論文 参考訳（メタデータ） (2020-03-21T03:29:16Z) - 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。