論文の概要: Quantum Generative Adversarial Networks: Generating and Detecting Quantum Product States
- arxiv url: http://arxiv.org/abs/2408.12620v1
- Date: Fri, 9 Aug 2024 19:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-01 17:02:13.137657
- Title: Quantum Generative Adversarial Networks: Generating and Detecting Quantum Product States
- Title（参考訳）: 量子生成逆数ネットワーク:量子生成物状態の生成と検出
- Authors: James E. Steck, Elizabeth C. Behrman,
- Abstract要約: 我々は、画像生成と分類のための古典的なスタイルネットGANの量子アナログを作成する。
純粋に量子情報を持つQGANを実証する問題を選択する。
実積状態は、量子発生器によって生成された偽の量子積状態から検出され分離される。
- 参考スコア（独自算出の注目度）: 2.209921757303168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning can be used as a systematic method to non-algorithmically program quantum computers. Quantum machine learning enables us to perform computations without breaking down an algorithm into its gate building blocks, eliminating that difficult step and potentially reducing unnecessary complexity. In addition, the machine learning approach is robust to both noise and to decoherence, which is ideal for running on inherently noisy NISQ devices which are limited in the number of qubits available for error correction. Here we apply our prior work in quantum machine learning technique, to create a QGAN, a quantum analog to the classical Stylenet GANs developed by Kerras for image generation and classification. A quantum system is used as a generator and a separate quantum system is used as a discriminator. The generator Hamiltonian quantum parameters are augmented by quantum style parameters which play the role of the style parameters used by Kerras. Both generator parameters are trained in a GAN MinMax problem along with quantum parameters of the discriminator Hamiltonian. We choose a problem to demonstrate the QGAN that has purely quantum information. The task is to generate and discriminate quantum product states. Real product states are generated to be detected and separated from fake quantum product states generated by the quantum generator. The problem of detecting quantum product states is chosen to demonstrate the QGAN because is well known as purely quantum mechanical, has no classical analog and is an open problem for quantum product states of more than 2 qubits. With proper encoding of image pixels into quantum states as density matrices, the method demonstrated here is applicable to GAN image generation and detection that can be hosted on and take advantage of the nature of quantum computers.
- Abstract（参考訳）: 機械学習は、非アルゴリズム的に量子コンピュータをプログラムする体系的な方法として使用できる。
量子機械学習により、アルゴリズムをゲートビルディングブロックに分割することなく計算を実行でき、その困難なステップを排除し、不要な複雑さを軽減できます。
さらに、機械学習アプローチはノイズとデコヒーレンスの両方に対して堅牢であり、これは本質的にノイズの多いNISQデバイス上で動作するのに理想的であり、誤り訂正に利用可能なキュービット数に制限がある。
本稿では,Kerras が開発した古典的スタイルネット GAN の量子アナログである QGAN を画像生成と分類に応用する。
量子系はジェネレータとして使用され、別の量子系は判別器として使用される。
ジェネレータハミルトン量子パラメータは、Kerrasが使用するスタイルパラメータの役割を担う量子スタイルパラメータによって拡張される。
どちらのジェネレータパラメータも、識別器ハミルトニアンの量子パラメータとともに、GAN MinMax問題で訓練される。
純粋に量子情報を持つQGANを実証する問題を選択する。
この課題は、量子積状態の生成と識別である。
実積状態は、量子発生器によって生成された偽の量子積状態から検出され分離される。
量子積状態を検出する問題は、純粋に量子力学としてよく知られたQGANを実証するために選択され、古典的なアナログを持たず、2キュービット以上の量子積状態に対してはオープンな問題である。
画像画素を密度行列として量子状態に適切に符号化することにより、GAN画像生成と検出に適用でき、量子コンピュータの性質を活用できる。
関連論文リスト
- The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。
量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。
分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文 参考訳（メタデータ） (2024-05-31T16:43:20Z) - 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) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Automated error correction in superdense coding, with implementation on
superconducting quantum computer [0.28675177318965034]
本稿では,制限された量子状態に対して完全な保護を提供するタスク固有誤差補正手法を提案する。
具体的には, n-qubit 一般化ベル状態を用いたスーパーデンス符号化アルゴリズムにおいて, 自動誤り訂正を行う。
我々は, 7-qubit 超伝導 IBM 量子コンピュータと27-qubit 量子シミュレータ上で, ノイズの存在下での3種類の超高密度符号化アルゴリズムに対して, 自動誤り訂正手法を実験的に実現した。
論文 参考訳（メタデータ） (2022-10-27T04:02:13Z) - Quantum Computing Quantum Monte Carlo [8.69884453265578]
量子コンピューティングと量子モンテカルロを統合したハイブリッド量子古典アルゴリズムを提案する。
我々の研究は、中間スケールおよび早期フォールト耐性量子コンピュータで現実的な問題を解決するための道を開いた。
論文 参考訳（メタデータ） (2022-06-21T14:26:24Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Machine learning applications for noisy intermediate-scale quantum
computers [0.0]
NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-19T09:26:57Z) - Quantum Neuron with Separable-State Encoding [0.0]
現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。
マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。
シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
論文 参考訳（メタデータ） (2022-02-16T19:26:23Z) - Model-Independent Error Mitigation in Parametric Quantum Circuits and
Depolarizing Projection of Quantum Noise [1.5162649964542718]
与えられたハミルトニアンの基底状態と低い励起を見つけることは、物理学の多くの分野において最も重要な問題の一つである。
Noisy Intermediate-Scale Quantum (NISQ) デバイス上の量子コンピューティングは、そのような計算を効率的に実行する可能性を提供する。
現在の量子デバイスは、今でも固有の量子ノイズに悩まされている。
論文 参考訳（メタデータ） (2021-11-30T16:08:01Z) - 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)
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。