論文の概要: ANN-Enhanced Detection of Multipartite Entanglement in a Three-Qubit NMR Quantum Processor
- arxiv url: http://arxiv.org/abs/2409.19739v1
- Date: Sun, 29 Sep 2024 15:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 21:19:41.232202
- Title: ANN-Enhanced Detection of Multipartite Entanglement in a Three-Qubit NMR Quantum Processor
- Title（参考訳）: ANNによる3kbit NMR量子プロセッサにおけるマルチパートの絡み合いの検出
- Authors: Vaishali Gulati, Shivanshu Siyanwal, Arvind, Kavita Dorai,
- Abstract要約: 人工ニューラルネットワーク(ANN)モデルを用いて,実験によって生成された3量子状態の絡み合いクラスを同定する。
ANNモデルは、州における真のマルチパーティ・エンタングルメント(GME)の存在を検出することもできる。
- 参考スコア（独自算出の注目度）: 2.715284063484557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We use an artificial neural network (ANN) model to identify the entanglement class of an experimentally generated three-qubit pure state drawn from one of the six inequivalent classes under stochastic local operations and classical communication (SLOCC). The ANN model is also able to detect the presence of genuinely multipartite entanglement (GME) in the state. We apply data science techniques to reduce the dimensionality of the problem, which corresponds to a reduction in the number of required density matrix elements to be computed. The ANN model is first trained on a simulated dataset containing randomly generated states, and is later tested and validated on noisy experimental three-qubit states cast in the canonical form and generated on a nuclear magnetic resonance (NMR) quantum processor. We benchmark the ANN model via Support Vector Machines (SVMs) and K-Nearest Neighbor (KNN) algorithms and compare the results of our ANN-based entanglement classification with existing three-qubit SLOCC entanglement classification schemes such as 3-tangle and correlation tensors. Our results demonstrate that the ANN model can perform GME detection and SLOCC class identification with high accuracy, using a priori knowledge of only a few density matrix elements as inputs. Since the ANN model works well with a reduced input dataset, it is an attractive method for entanglement classification in real-life situations with limited experimental data sets.
- Abstract（参考訳）: 確率的局所演算および古典的通信(SLOCC)の下で、6つの非等価なクラスのうちの1つから引き出された実験的に生成された3ビット純状態の絡み合いクラスを、人工知能ニューラルネットワーク(ANN)モデルを用いて同定する。
ANNモデルは、州における真のマルチパーティ・エンタングルメント(GME)の存在を検出することもできる。
計算対象の密度行列要素の削減に対応する問題次元の削減にデータサイエンス手法を適用した。
ANNモデルは、まずランダムに生成された状態を含むシミュレーションデータセットで訓練され、その後、標準形にキャストされたノイズの多い実験的な3量子状態で検証され、核磁気共鳴(NMR)量子プロセッサで生成される。
我々は,Support Vector Machines (SVMs) とK-Nearest Neighbor (KNN) アルゴリズムを用いてANNモデルをベンチマークし,既存の3ビットSLOCCエンタングル分類スキームと比較した。
以上の結果から,ANNモデルでは,数個の密度行列要素の事前知識を入力として,GME検出とSLOCCクラス識別を高精度に行うことができることが示された。
ANNモデルは入力データセットの削減に有効であるため、実験データセットに制限のある実生活環境での絡み合い分類には魅力的な方法である。
関連論文リスト
- Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。
我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。
3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T06:48:01Z) - 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN
and LSTM with Attention [0.174048653626208]
本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。
実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。
このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
論文 参考訳（メタデータ） (2023-12-20T03:38:24Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳（メタデータ） (2022-10-14T18:00:07Z) - Identification of quantum entanglement with Siamese convolutional neural networks and semi-supervised learning [0.0]
量子絡み合いは、様々な量子情報プロトコルやアルゴリズムで一般的に使用される基本的な性質である。
本研究では、教師付き機械学習の一種であるディープ畳み込みNNを用いて、3量子系における任意の二分割の量子絡みを同定する。
論文 参考訳（メタデータ） (2022-10-13T23:17:55Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer
Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。
従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。
本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文 参考訳（メタデータ） (2020-12-07T03:44:35Z) - Regularizing Recurrent Neural Networks via Sequence Mixup [7.036759195546171]
我々は、元々フィードフォワードニューラルネットワークのために提案された一連の有望な正規化手法を拡張した。
提案手法は,単純なニューラルネットワークアーキテクチャの性能を生かしながら,複雑性の実装が容易である。
論文 参考訳（メタデータ） (2020-11-27T05:43:40Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z) - The use of Convolutional Neural Networks for signal-background
classification in Particle Physics experiments [0.4301924025274017]
広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。
パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
論文 参考訳（メタデータ） (2020-02-13T19:54:46Z)
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。