論文の概要: Quantum network tomography of Rydberg arrays by machine learning
- arxiv url: http://arxiv.org/abs/2412.05742v1
- Date: Sat, 07 Dec 2024 20:41:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:54:11.076573
- Title: Quantum network tomography of Rydberg arrays by machine learning
- Title(参考訳): 機械学習によるRydbergアレイの量子ネットワークトモグラフィ
- Authors: Kaustav Mukherjee, Johannes Schachenmayer, Shannon Whitlock, Sebastian Wüster,
- Abstract要約: ライドバーグ原子は、量子計算と量子シミュレーションのための汎用的なプラットフォームであり、制御可能なデコヒーレンスを可能にする。
理論的には、人工ニューラルネットワークを用いた機械学習により、オープン量子力学のモデルを構築するためのテクニックの実証実証も可能であることを実証する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Configurable arrays of optically trapped Rydberg atoms are a versatile platform for quantum computation and quantum simulation, also allowing controllable decoherence. We demonstrate theoretically, that they also enable proof-of-principle demonstrations for a technique to build models for open quantum dynamics by machine learning with artificial neural networks, recently proposed in [Mukherjee et al. [arXiv:2409.18822] (2024)]. Using the outcome of quantum transport through a network of sites that correspond to excited Rydberg atoms, the multi-stage neural network algorithm successfully identifies the number of atoms (or nodes in the network), and subsequently their location. It further extracts an effective interaction Hamiltonian and decoherence operators induced by the environment. To probe the Rydberg array, one initiates dynamics repeatedly from the same initial state and then measures the transport probability to an output atom. Large datasets are generated by varying the position of the latter. Measurements are required in only one single basis, making the approach complementary to e.g. quantum process tomography. The cold atom platform discussed in this article can be used to explore the performance of the proposed protocol when training the neural network with simulation data, but then applying it to construct models based on experimental data.
- Abstract(参考訳): 光学的に閉じ込められたライドバーグ原子の構成可能な配列は、量子計算と量子シミュレーションのための汎用的なプラットフォームであり、制御可能なデコヒーレンスを可能にする。
我々は,ニューラルネットワークを用いた機械学習によるオープン量子力学のモデル構築のための手法の実証実験を可能にすることを理論的に実証した。
励起リドベルク原子に対応する部位のネットワークを通しての量子輸送の結果を用いて、多段階ニューラルネットワークアルゴリズムは、ネットワーク内の原子の数(またはノード)を特定し、その位置を同定する。
さらに、環境によって誘導されるハミルトニアンおよびデコヒーレンス作用素の効果的な相互作用を抽出する。
Rydberg配列を探索するために、同じ初期状態から繰り返しダイナミクスを開始し、それから出力原子への輸送確率を測定する。
大規模なデータセットは、後者の位置を変えて生成される。
測定は1つの基準でのみ必要であり、アプローチはeg量子プロセストモグラフィーを補完する。
本稿では,シミュレーションデータを用いてニューラルネットワークをトレーニングする際の提案プロトコルの性能について検討し,実験データに基づくモデル構築に応用する。
関連論文リスト
- Learning interactions between Rydberg atoms [4.17037025217542]
グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。
我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
論文 参考訳(メタデータ) (2024-12-16T17:45:30Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Experimental demonstration of reconstructing quantum states with generative models [0.44600863117978684]
本稿では,プログラム可能な超伝導トランスモン量子ビットの配列を用いたニューラルネットワーク生成モデルに基づく量子状態の再構成実験を行った。
本研究は、複雑な量子デバイスを検証・特徴化するための機械学習技術を活用した興味深い可能性について実験的に示すものである。
論文 参考訳(メタデータ) (2024-07-21T09:44:05Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - 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) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Data-Enhanced Variational Monte Carlo Simulations for Rydberg Atom
Arrays [0.3425341633647624]
ライドバーグ原子配列(Rydberg atom array)は、様々な量子状態において相互作用する量子ビット系を準備できるプログラム可能な量子シミュレータである。
本稿では、たとえ少量のデータであっても、現在のRNNの事前学習が、その後の波形関数の変動最適化の収束時間を著しく短縮することを示す。
これは、実験量子シミュレーターで準備された状態から得られるあらゆる測定値が、神経ネットワークベースのVMC戦略に重要な価値をもたらすことを示唆している。
論文 参考訳(メタデータ) (2022-03-09T19:00:04Z) - Comparing concepts of quantum and classical neural network models for
image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。
シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文 参考訳(メタデータ) (2021-08-19T18:49:30Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳(メタデータ) (2021-03-08T17:24:29Z) - 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) - 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。