論文の概要: Quantifying Quantum Steering with Limited Resources: A Semi-supervised Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2501.10747v1
- Date: Sat, 18 Jan 2025 12:14:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:21:59.410847
- Title: Quantifying Quantum Steering with Limited Resources: A Semi-supervised Machine Learning Approach
- Title(参考訳): 限られたリソースによる量子ステアリングの定量化:半教師付き機械学習アプローチ
- Authors: Yansa Lu, Zhihua Chen, Zhihao Ma, Shao-Ming Fei,
- Abstract要約: 量子ステアリングは、絡み合いと非局所性の間の中間的相関である。
SDPは量子ステアリングの定量化に有用なツールであることが証明されている。
本研究では,半教師付き自己学習モデルを用いて,ステアブルウェイトを推定する。
- 参考スコア(独自算出の注目度): 3.6384366906530623
- License:
- Abstract: Quantum steering, an intermediate quantum correlation lying between entanglement and nonlocality, has emerged as a critical quantum resource for a variety of quantum information processing tasks such as quantum key distribution and true randomness generation. The ability to detect and quantify quantum steering is crucial for these applications. Semi-definite programming (SDP) has proven to be a valuable tool to quantify quantum steering. However, the challenge lies in the fact that the optimal measurement strategy is not priori known, making it time-consuming to compute the steerable measure for any given quantum state. Furthermore, the utilization of SDP requires full information of the quantum state, necessitating quantum state tomography, which can be complex and resource-consuming. In this work, we utilize the semi-supervised self-training model to estimate the steerable weight, a pivotal measure of quantum steering. The model can be trained using a limited amount of labeled data, thus reducing the time for labeling. The features are constructed by the probabilities derived by performing three sets of projective measurements under arbitrary local unitary transformations on the target states, circumventing the need for quantum tomography. The model demonstrates robust generalization capabilities and can achieve high levels of precision with limited resources.
- Abstract(参考訳): 量子ステアリング(quantum steering)は、絡み合いと非局所性の間にある中間量子相関であり、量子鍵分布や真のランダムネス生成のような様々な量子情報処理タスクのための臨界量子リソースとして登場した。
量子ステアリングの検出と定量化は、これらの応用にとって不可欠である。
半定値プログラミング(SDP)は、量子ステアリングの定量化に有用なツールであることが証明されている。
しかし、この課題は最適な測定戦略が事前に分かっていないという事実に起因しており、任意の量子状態に対するステアブル測度を計算するのに時間がかかる。
さらに、SDPの利用には、複雑なリソース消費が可能な量子状態トモグラフィを必要とする量子状態の完全な情報が必要である。
本研究では、半教師付き自己学習モデルを用いて、量子ステアリングの指標であるステアブルウェイトを推定する。
モデルは限られた量のラベル付きデータを使ってトレーニングできるため、ラベル付けの時間を短縮できる。
これらの特徴は、ターゲット状態上の任意の局所的ユニタリ変換の下で3組の射影測定を行い、量子トモグラフィーの必要性を回避することによって導かれる確率によって構成される。
このモデルは、堅牢な一般化能力を示し、限られた資源で高いレベルの精度を達成することができる。
関連論文リスト
- The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Mixed-Dimensional Qudit State Preparation Using Edge-Weighted Decision Diagrams [3.393749500700096]
量子コンピュータは難解な問題を解く可能性がある。
このポテンシャルを利用するための重要な要素の1つは、多値系(qudit)のために量子状態を効率的に準備する能力である。
本稿では,混合次元系に着目した量子状態生成法について検討する。
論文 参考訳(メタデータ) (2024-06-05T18:00:01Z) - 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) - Estimate distillable entanglement and quantum capacity by squeezing useless entanglement [5.086696108576776]
量子インターネットは、セキュアで効率的な量子通信の基本的なリソースとして量子絡み合いに依存している。
蒸留可能な絡み合いとその密接に関連する必須量である量子容量を正確に推定することは依然として困難である。
本研究では、状態や量子チャネル内の無駄な絡み合いが、蒸留可能な絡み合いや量子容量に寄与しないという考え方に基づいて、両方の量に対する効率的な計算可能上限を提案する。
論文 参考訳(メタデータ) (2023-03-13T16:02:18Z) - Assessing requirements to scale to practical quantum advantage [56.22441723982983]
大規模量子アプリケーションに必要なリソースを推定するために,スタックの層を抽象化し,量子リソース推定のためのフレームワークを開発する。
3つのスケールされた量子アプリケーションを評価し、実用的な量子優位性を達成するために数十万から数百万の物理量子ビットが必要であることを発見した。
私たちの研究の目標は、より広範なコミュニティがスタック全体の設計選択を探索できるようにすることで、実用的な量子的優位性に向けた進歩を加速することにあります。
論文 参考訳(メタデータ) (2022-11-14T18:50:27Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳(メタデータ) (2022-09-16T02:37:32Z) - High-fidelity tracking of the evolution of multilevel quantum states [0.0]
量子制御のためのアルゴリズムはローレンツ変換群のスピノル表現を利用する。
適応量子測定の弱い摂動によるフィードバックは、量子システムの高精度な制御を実現することができることを示した。
論文 参考訳(メタデータ) (2022-01-09T19:23:09Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Maximal entropy approach for quantum state tomography [3.6344381605841187]
現在の量子コンピューティングデバイスは、ノイズの多い中間スケール量子$(NISQ$)$デバイスである。
量子トモグラフィーは、観測可能な完全な集合によって量子系の密度行列を再構築しようとする。
本稿では、未知の可観測物の値を予測するために、最大情報エントロピーに基づく量子トモグラフィーの代替手法を提案する。
論文 参考訳(メタデータ) (2020-09-02T04:39:45Z) - Cost of quantum entanglement simplified [13.683637401785505]
我々は,絡み合った状態を作成するのに必要な正確なコストとして,正確な情報理論的な意味を持つ絡み合い尺度を導入する。
この結果は、任意の量子状態の基本的な絡み合い構造に重要な洞察をもたらし、量子物理実験で生じる絡み合いを直接的に評価し定量化することができる。
論文 参考訳(メタデータ) (2020-07-28T14:36:23Z)
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。