論文の概要: Disentanglement process in dephasing channel with machine learning

• arxiv url: http://arxiv.org/abs/2410.21504v1
• Date: Mon, 28 Oct 2024 20:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:40:13.301968
• Title: Disentanglement process in dephasing channel with machine learning
• Title（参考訳）: 機械学習を用いたデファッショニングチャネルにおけるアンタングル化過程
• Authors: Qihang Liu, Anran Qiao, Jung-Tsung Shen,
• Abstract要約: 本稿では,2ビットシステムにおける雑音の除去を考慮した機械学習手法を提案する。 状態の分類と絡み合いに適したANNアルゴリズムは、トモグラフィー特徴のサブセットのみを用いて優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantum state classification and entanglement quantification are of significant importance in the fundamental research of quantum information science and various quantum applications. Traditional methods, such as quantum state tomography, face exponential measurement demands with increasing numbers of qubits, necessitating more efficient approaches. Recent work has shown promise in using artificial neural networks (ANNs) for quantum state analysis. However, existing ANNs may falter when confronted with states affected by dephasing noise, especially with limited data and computational resources. In this study, we employ a machine-learning approach to investigate the disentanglement process in two-qubit systems in the presence of dephasing noise. Our findings highlight the limitations of general state-trained ANNs in classifying states under dephasing noise. Specialized ANN algorithms, tailored for classifying states and quantifying entanglement in such noisy environments, demonstrate excellent performance using only a subset of tomographic features.
• Abstract（参考訳）: 量子状態の分類と絡み合いの量子化は、量子情報科学と様々な量子応用の基礎研究において重要である。 量子状態トモグラフィーのような従来の手法は、量子ビットの数が増加するにつれて指数関数的な測定要求に直面し、より効率的なアプローチを必要とする。 最近の研究は、量子状態解析に人工知能ニューラルネットワーク(ANN)を使うことを約束している。 しかし、既存のANNはノイズ、特に限られたデータと計算資源によって影響される状態に直面すると混乱する可能性がある。 本研究では,2ビットシステムにおけるデフォーカスノイズの存在下でのアンタングル化過程を機械学習を用いて検討する。 本研究は, 騒音下でのANNの分類において, 一般に訓練されたANNの限界を浮き彫りにした。 このようなノイズ環境における状態の分類と絡み合いの定量化に適したANNアルゴリズムは,トモグラフィー特徴のサブセットのみを用いて優れた性能を示す。

関連論文リスト

• Method for noise-induced regularization in quantum neural networks [0.0]
  量子ハードウェアにおけるノイズレベルを効果的に調整することで、量子ニューラルネットワークがデータを一般化する能力を高めることができることを示す。 例えば,回路のノイズレベルを調整することで,平均2乗誤差損失を8%改善する医療レグレッションタスクを考える。
  論文  参考訳（メタデータ） (2024-10-25T18:29:42Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation via Neural Networks [0.4779196219827508]
  変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。 量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。 本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-10T15:35:41Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Improved Tomographic Estimates by Specialised Neural Networks [0.0]
  ニューラルネットワーク(NN)は、畳み込み段階を含むことにより、パラメータのトモグラフィー推定を改善することができることを示す。 シミュレーションデータのみを用いてネットワークをトレーニングすることにより,安定かつ信頼性の高い操作が実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-21T17:15:23Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Mixed State Entanglement Classification using Artificial Neural Networks [0.0]
  分離型ニューラルネットワーク量子状態は、絡み合い特性が明示的にプログラム可能である量子状態のパラメータ化に、ニューラルネットワークにインスパイアされた。 我々は、SNNSを混合多部状態に拡張し、複雑に絡み合った量子系を研究するための汎用的で効率的なツールを提供する。
  論文  参考訳（メタデータ） (2021-02-11T14:59:24Z)
• 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。