論文の概要: Learning symmetry-protected topological order from trapped-ion experiments
- arxiv url: http://arxiv.org/abs/2408.05017v1
- Date: Fri, 9 Aug 2024 12:08:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 15:56:59.518941
- Title: Learning symmetry-protected topological order from trapped-ion experiments
- Title（参考訳）: トラップイオン実験による対称性保護トポロジカル秩序の学習
- Authors: Nicolas Sadoune, Ivan Pogorelov, Claire L. Edmunds, Giuliano Giudici, Giacomo Giudice, Christian D. Marciniak, Martin Ringbauer, Thomas Monz, Lode Pollet,
- Abstract要約: 我々は、トラップイオン量子コンピュータによって生成された実験データを解析するために、テンソルカーネルサポートベクターマシン(TK-SVM)を用いる。
この教師なしの手法は直接解釈可能な訓練パラメータの恩恵を受け、非自明な弦順特徴化対称性保護トポロジカル位相(SPT)を識別することができる。
以上の結果から,TK-SVM法はノイズの多い実験データセットの2つの位相を識別することに成功した。
- 参考スコア（独自算出の注目度）: 0.36278044026379325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classical machine learning has proven remarkably useful in post-processing quantum data, yet typical learning algorithms often require prior training to be effective. In this work, we employ a tensorial kernel support vector machine (TK-SVM) to analyze experimental data produced by trapped-ion quantum computers. This unsupervised method benefits from directly interpretable training parameters, allowing it to identify the non-trivial string-order characterizing symmetry-protected topological (SPT) phases. We apply our technique to two examples: a spin-1/2 model and a spin-1 model, featuring the cluster state and the AKLT state as paradigmatic instances of SPT order, respectively. Using matrix product states, we generate a family of quantum circuits that host a trivial phase and an SPT phase, with a sharp phase transition between them. For the spin-1 case, we implement these circuits on two distinct trapped-ion machines based on qubits and qutrits. Our results demonstrate that the TK-SVM method successfully distinguishes the two phases across all noisy experimental datasets, highlighting its robustness and effectiveness in quantum data interpretation.
- Abstract（参考訳）: 古典的な機械学習は、量子データの後処理において極めて有用であることが証明されているが、典型的な学習アルゴリズムは、しばしば事前トレーニングを効果的にする必要がある。
本研究では,TK-SVM(テンソルカーネルサポートベクトルマシン)を用いて,トラップイオン量子コンピュータによって生成された実験データを解析する。
この教師なしの手法は直接解釈可能な訓練パラメータの恩恵を受け、非自明な弦順特徴化対称性保護トポロジカル位相(SPT)を識別することができる。
本稿では,スピン-1/2モデルとスピン-1モデルという2つの例に適用し,クラスタ状態とAKLT状態をSPTオーダーのパラダイムインスタンスとして取り上げる。
行列積状態を用いて、自明な位相とSPT位相をホストする量子回路の族を生成し、それらの間を鋭い位相遷移する。
スピン1の場合、量子ビットと量子ビットに基づく2つの異なるイオンマシン上にこれらの回路を実装する。
以上の結果から,TK-SVM法は,全てのノイズのある実験データセットの2つの位相を識別し,その堅牢性と量子データ解釈の有効性を強調した。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Learning and Controlling Silicon Dopant Transitions in Graphene using
Scanning Transmission Electron Microscopy [58.51812955462815]
単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。
データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。
これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
論文 参考訳（メタデータ） (2023-11-21T21:51:00Z) - Quantum tensor network algorithms for evaluation of spectral functions on quantum computers [0.0]
テンソルネットワークから導かれる量子アルゴリズムを用いて,量子多体系の静的および動的特性をシミュレートする。
量子コンピュータ上で基底状態と励起状態を作成し、分子ナノマグネット(MNM)に応用するアルゴリズムをパラダイムとして示す。
論文 参考訳（メタデータ） (2023-09-26T18:01:42Z) - Sequence Processing with Quantum Tensor Networks [1.534667887016089]
本稿では,解釈可能性と資源圧縮を動機としたシーケンス処理のための複雑なテンソルネットワークモデルを提案する。
本研究では,自然言語とバイオインフォマティクスに関連する配列のバイナリ分類の課題について実験的に検討した。
また,QuantinuumのH2-1トラップイオン量子プロセッサの実装を実証し,短期量子デバイス上での効率的なシーケンス処理の可能性を示した。
論文 参考訳（メタデータ） (2023-08-15T16:33:39Z) - Unsupervised Interpretable Learning of Phases From Many-Qubit Systems [2.4352963290061993]
短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。
我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
論文 参考訳（メタデータ） (2022-08-18T14:35:28Z) - Gradient-descent quantum process tomography by learning Kraus operators [63.69764116066747]
離散および連続変数の量子システムに対して量子プロセストモグラフィー(QPT)を行う。
我々は、クラウス作用素を得るために、最適化中にいわゆるスティーフェル多様体に対して制約付き勾配-退化(GD)アプローチを用いる。
GD-QPTは、2量子ランダムプロセスを持つベンチマークにおいて、圧縮センシング(CS)と投影最小二乗QPT(PLS)の両方のパフォーマンスと一致する。
論文 参考訳（メタデータ） (2022-08-01T12:48:48Z) - A tensor network discriminator architecture for classification of
quantum data on quantum computers [0.0]
ホログラフィックアルゴリズムを用いて量子コンピュータ上での量子データを識別するために,行列積状態(MPS)モデルを用いることを実証する。
結合4MPSをモデルとしたエンタングル入力データを用いて,QuantinuumのH1-2トラップイオン量子コンピュータのモデルについて実験的に評価した。
論文 参考訳（メタデータ） (2022-02-22T14:19:42Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
パラメタライズド量子回路を用いて時間データを学習する手法を提案する。
この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
論文 参考訳（メタデータ） (2020-12-21T10:47:28Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。