論文の概要: Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2411.11330v1
• Date: Mon, 18 Nov 2024 06:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:32:39.574381
• Title: Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks
• Title（参考訳）: ニューラルネットワークによる任意3ビット状態の絡み合い分類
• Authors: Jorawar Singh, Vaishali Gulati, Kavita Dorai, Arvind,
• Abstract要約: 3ビットシステムの絡みを検知・分類する人工知能ニューラルネットワーク(ANN)を設計・実装する。 モデルはランダムに生成された状態のシミュレーションデータセット上で訓練され、検証される。 注目すべきは、密度行列の7つの対角要素をANNに供給するだけで、両方のタスクに対して94%以上の精度が得られることである。
• 参考スコア（独自算出の注目度）: 2.715284063484557
• License:
• Abstract: We design and successfully implement artificial neural networks (ANNs) to detect and classify entanglement for three-qubit systems using limited state features. The overall design principle is a feed forward neural network (FFNN), with the output layer consisting of a single neuron for the detection of genuine multipartite entanglement (GME) and six neurons for the classification problem corresponding to six entanglement classes under stochastic local operations and classical communication (SLOCC). The models are trained and validated on a simulated dataset of randomly generated states. We achieve high accuracy, around 98%, for detecting GME as well as for SLOCC classification. Remarkably, we find that feeding only 7 diagonal elements of the density matrix into the ANN results in an accuracy greater than 94% for both the tasks, showcasing the strength of the method in reducing the required input data while maintaining efficient performance. Reducing the feature set makes it easier to apply ANN models for entanglement classification, particularly in resource-constrained environments, without sacrificing accuracy. The performance of the ANN models was further evaluated by introducing white noise into the data set, and the results indicate that the models are robust and are able to well tolerate noise.
• Abstract（参考訳）: 我々は,制限状態特徴を用いた3ビットシステムの絡み合いの検出と分類を行うために,人工知能ニューラルネットワーク(ANN)の設計と実装に成功した。 全体的な設計原理は、フィードフォワードニューラルネットワーク(FFNN)であり、出力層は、真のマルチパートエンタングルメント(GME)を検出するための単一のニューロンと、確率的局所演算および古典的通信(SLOCC)の下での6つのエンタングルメントクラスに対応する分類問題のための6つのニューロンで構成されている。 モデルはランダムに生成された状態のシミュレーションデータセット上で訓練され、検証される。 約98%の精度でGMEの検出とSLOCC分類を行った。 顕著な点として, 密度行列の7つの対角要素のみをANNに供給すると, 両方のタスクに対して94%以上の精度が得られ, 効率的な性能を維持しつつ, 必要な入力データを削減する方法の強みが示される。 機能セットの削減により、特にリソース制約のある環境では、精度を犠牲にすることなく、絡み合った分類にANNモデルを適用するのが簡単になる。 ANNモデルの性能は,データセットに白色雑音を導入することによってさらに評価され,その結果,モデルが頑健であり,耐雑音性も良好であることが示唆された。

関連論文リスト

• ANN-Enhanced Detection of Multipartite Entanglement in a Three-Qubit NMR Quantum Processor [2.715284063484557]
  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。
  論文  参考訳（メタデータ） (2024-09-29T15:34:11Z)
• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
  本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。 弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
  論文  参考訳（メタデータ） (2024-05-07T07:51:28Z)
• 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)
• A model for multi-attack classification to improve intrusion detection performance using deep learning approaches [0.0]
  ここでの目的は、悪意のある攻撃を識別するための信頼性の高い侵入検知メカニズムを作ることである。 ディープラーニングベースのソリューションフレームワークは、3つのアプローチから成り立っている。 最初のアプローチは、adamax、SGD、adagrad、adam、RMSprop、nadam、adadeltaといった7つの機能を持つLong-Short Term Memory Recurrent Neural Network (LSTM-RNN)である。 モデルは特徴を自己学習し、攻撃クラスをマルチアタック分類として分類する。
  論文  参考訳（メタデータ） (2023-10-25T05:38:44Z)
• An Automata-Theoretic Approach to Synthesizing Binarized Neural Networks [13.271286153792058]
  量子ニューラルネットワーク(QNN)が開発され、二項化ニューラルネットワーク(BNN)は特殊なケースとしてバイナリ値に制限されている。 本稿では,指定された特性を満たすBNNの自動合成手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T06:27:28Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• 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)
• 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)
• Ensembles of Spiking Neural Networks [0.3007949058551534]
  本稿では,最先端の結果を生み出すスパイクニューラルネットワークのアンサンブルを構築する方法について述べる。 MNIST, NMNIST, DVS Gestureデータセットの分類精度は98.71%, 100.0%, 99.09%である。 我々は、スパイキングニューラルネットワークをGLM予測器として形式化し、ターゲットドメインに適した表現を識別する。
  論文  参考訳（メタデータ） (2020-10-15T17:45:18Z)

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。