論文の概要: High-dimentional Multipartite Entanglement Structure Detection with Low Cost

• arxiv url: http://arxiv.org/abs/2408.13015v1
• Date: Fri, 23 Aug 2024 12:09:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:10:31.030127
• Title: High-dimentional Multipartite Entanglement Structure Detection with Low Cost
• Title（参考訳）: 低コスト高次元マルチパートエンタングルメント構造検出
• Authors: Rui Li, Shikun Zhang, Zheng Qin, Chunxiao Du, Yang Zhou, Zhisong Xiao,
• Abstract要約: 本稿では,絡み合い構造検出に適した表現を生成するニューラルネットワークモデルを提案する。 提案手法は最大19量子ビット系における95%以上の検出精度を実現する。
• 参考スコア（独自算出の注目度）: 18.876952671920133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum entanglement detection and characterization are crucial for various quantum information processes. Most existing methods for entanglement detection rely heavily on a complete description of the quantum state, which requires numerous measurements and complex setups. This makes these theoretically sound approaches costly and impractical, as the system size increases. In this work, we propose a multi-view neural network model to generate representations suitable for entanglement structure detection. The number of required quantum measurements is polynomial rather than exponential increase with the qubit number. This remarkable reduction in resource costs makes it possible to detect specific entanglement structures in large-scale systems. Numerical simulations show that our method achieves over 95% detection accuracy for up to 19 qubits systems. By enabling a universal, flexible and resource-efficient analysis of entanglement structures, our approach enhances the capability of utilizing quantum states across a wide range of applications.
• Abstract（参考訳）: 量子絡み検出と特徴付けは、様々な量子情報プロセスにおいて不可欠である。 既存のエンタングルメント検出法のほとんどは、多くの測定と複雑な設定を必要とする量子状態の完全な記述に大きく依存している。 これは理論上、システムのサイズが大きくなるにつれてコストがかかり非現実的になる。 本研究では,絡み合い構造検出に適した表現を生成するマルチビューニューラルネットワークモデルを提案する。 必要な量子測定の数は、量子ビット数で指数的に増加するよりも多項式である。 この顕著なリソースコストの削減により、大規模システムにおける特定の絡み合い構造を検出することができる。 シミュレーションにより,最大19量子ビット系における95%以上の検出精度が得られた。 エンタングルメント構造の普遍的でフレキシブルで資源効率のよい解析を可能にすることにより,幅広い応用において量子状態を活用する能力を高めることができる。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Improved criteria of detecting multipartite entanglement structure [7.236334007028333]
  本稿では,多部交絡構造をよりよく識別する,強力な絡み合いの目撃者を構築するための体系的手法を提案する。 我々の結果は、多くの量子情報処理タスクに適用できる。
  論文  参考訳（メタデータ） (2024-06-11T14:01:22Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Neural networks for Bayesian quantum many-body magnetometry [0.0]
  絡み合った量子多体系は、個々の量子検出器のアンサンブルで達成可能な精度よりも大きいパラメータを推定できるセンサーとして使用できる。 このことは、ベイズ推論手法の適用性を妨げうる複雑さを伴っている。 量子多体センサの力学を忠実に再現するニューラルネットワークを用いて、これらの問題を回避する方法を示す。
  論文  参考訳（メタデータ） (2022-12-22T22:13:49Z)
• Detecting entanglement in quantum many-body systems via permutation moments [4.376631240407246]
  置換モーメントに基づく多部交絡基準を設計するためのフレームワークを提案する。 これらの基準は、長距離$XY$ Hamiltonianを持つマルチキュービットIsingモデルにおいて強い検出能力を示す。 我々のフレームワークは、量子多体系のより複雑な絡み合い構造を検出するために一般化することもできる。
  論文  参考訳（メタデータ） (2022-03-16T04:39:54Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Quantum verification and estimation with few copies [63.669642197519934]
  大規模絡み合ったシステムの検証と推定は、信頼性の高い量子情報処理にそのようなシステムを用いる際の大きな課題の1つである。 本稿では,資源の一定数(サンプリング複雑性)に着目し,任意の次元のシステムに適していることを示す。 具体的には、量子状態トモグラフィー(quantum state tomography)の概念とともに、エンタングルメント検出のために少なくとも1つのコピーだけを必要とする確率的フレームワークをレビューする。
  論文  参考訳（メタデータ） (2021-09-08T18:20:07Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• Detecting quantum entanglement with unsupervised learning [5.136040801991848]
  本研究では,量子特徴のない正規サンプルの凸性を利用し,教師なし機械学習法を設計,量子特徴を異常として検出する。 本研究では,疑似シメセネットワークとジェネレーション対向ネットからなる複雑値ニューラルネットワークを提案し,それを分離可能な状態のみで訓練し,絡み合う非線形の証人を構築する。 この結果はベル非局所性やステアビリティといった他の量子リソースの検出に容易に適用でき、高次元量子データに隠された量子特徴を抽出する強力なツールを提供できることを示唆する。
  論文  参考訳（メタデータ） (2021-03-08T14:56:24Z)
• Efficient entanglement generation and detection of generalized stabilizer states [3.931366810430107]
  本論文では,ハイゼンベルク相互作用を用いて,多数の量子ビットの真の多部絡み合わせを生成する効率的なスキームを提案する。 この方法は超伝導、閉じ込められたイオン、低温原子系を含む様々な物理プラットフォームで便利に実装できる。
  論文  参考訳（メタデータ） (2020-12-14T14:56:50Z)
• 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。