論文の概要: Classifying Multipartite Continuous Variable Entanglement Structures through Data-augmented Neural Networks

• arxiv url: http://arxiv.org/abs/2409.07909v2
• Date: Tue, 29 Oct 2024 13:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 21:31:36.244909
• Title: Classifying Multipartite Continuous Variable Entanglement Structures through Data-augmented Neural Networks
• Title（参考訳）: データ強化ニューラルネットワークによる多部連続可変絡み合い構造の分類
• Authors: Xiaoting Gao, Mingsheng Tian, Feng-Xiao Sun, Ya-Dong Wu, Yu Xiang, Qiongyi He,
• Abstract要約: ホモダイン測定データを用いてタスクを完了するための,データ拡張ニューラルネットワークを開発した。 ランダムに生成された三分極状態と四分極状態の試験により,ネットワークは各分割間の絡み合い構造を示すことができることを示した。 我々のアプローチは、大規模ヒルベルト空間で符号化された量子システムを学習するより複雑なタスクに、データ駆動機械学習技術の使用をさらに拡張することを可能にする。
• 参考スコア（独自算出の注目度）: 1.653052113976862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks have emerged as a promising paradigm for quantum information processing, yet they confront the challenge of generating training datasets with sufficient size and rich diversity, which is particularly acute when dealing with multipartite quantum systems. For instance, in the task of classifying different structures of multipartite entanglement in continuous variable systems, it is necessary to simulate a large number of infinite-dimension state data that can cover as many types of non-Gaussian states as possible. Here, we develop a data-augmented neural network to complete this task with homodyne measurement data. A quantum data augmentation method based on classical data processing techniques and quantum physical principles is proposed to efficiently enhance the network performance. By testing on randomly generated tripartite and quadripartite states, we demonstrate that the network can indicate the entanglement structure among the various partitions and the accuracies are significantly improved with data augmentation. Our approach allows us to further extend the use of data-driven machine learning techniques to more complex tasks of learning quantum systems encoded in a large Hilbert space.
• Abstract（参考訳）: ニューラルネットワークは量子情報処理の有望なパラダイムとして登場したが、十分なサイズと多様性を持つトレーニングデータセットの生成という課題に直面している。 例えば、連続変数系における多粒子エンタングルメントの異なる構造を分類するタスクでは、できるだけ多くの種類の非ガウス状態をカバーすることができる多くの無限次元状態データをシミュレートする必要がある。 そこで我々は,ホモダイン計測データを用いて,この課題を完遂するデータ拡張ニューラルネットワークを開発した。 従来のデータ処理技術と量子物理原理に基づく量子データ拡張手法を提案し,ネットワーク性能を効率的に向上する。 ランダムに生成された三分儀状態と四分儀状態の試験により、ネットワークは様々なパーティション間の絡み合い構造を示すことができ、データの増大により精度が大幅に向上することを示した。 我々のアプローチは、大規模ヒルベルト空間で符号化された量子システムを学習するより複雑なタスクに、データ駆動機械学習技術の使用をさらに拡張することを可能にする。

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)
• Guarantees on the structure of experimental quantum networks [105.13377158844727]
  量子ネットワークは、セキュアな通信、ネットワーク量子コンピューティング、分散センシングのためのマルチパーティ量子リソースと多数のノードを接続し、供給する。 これらのネットワークのサイズが大きくなるにつれて、認証ツールはそれらの特性に関する質問に答える必要がある。 本稿では,ある量子ネットワークにおいて特定の相関が生成できないことを保証するための一般的な方法を示す。
  論文  参考訳（メタデータ） (2024-03-04T19:00:00Z)
• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• 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)
• Learning quantum properties from short-range correlations using multi-task networks [3.7228085662092845]
  相関長が一定である多体量子状態の様々な量子特性を予測できるニューラルネットワークモデルを提案する。 このモデルはマルチタスク学習の技術に基づいており、従来のシングルタスクアプローチよりもいくつかの利点があることを示す。
  論文  参考訳（メタデータ） (2023-10-18T08:53:23Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Branching Quantum Convolutional Neural Networks [0.0]
  小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。 本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
  論文  参考訳（メタデータ） (2020-12-28T19:00:03Z)
• Probing Criticality in Quantum Spin Chains with Neural Networks [0.0]
  隠れた層を持たないニューラルネットワークでさえ、磁気秩序と乱れ相の区別を効果的に訓練できることが示される。 我々の結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの広範な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-05T12:34:50Z)
• 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。