Fugu-MT 論文翻訳(概要): Machine Learning for Ground State Preparation via Measurement and Feedback

論文の概要: Machine Learning for Ground State Preparation via Measurement and Feedback

arxiv url: http://arxiv.org/abs/2502.06517v2
Date: Tue, 25 Feb 2025 04:43:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-26 15:17:51.806792
Title: Machine Learning for Ground State Preparation via Measurement and Feedback
Title（参考訳）: 計測とフィードバックによる地盤状態生成のための機械学習
Authors: Chuanxin Wang, Yi-Zhuang You,
Abstract要約: そこで本研究では,中間回路計測とフィードバックを利用したニューラルネットワークによる地中準備手法を提案する。本研究では,アシラ量子ビットのサブセットが測定やフィードバックに使用されることにより,性能が体系的に向上することが実証された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We present a recurrent neural network-based approach for ground state preparation utilizing mid-circuit measurement and feedback. Unlike previous methods that use machine learning solely as an optimizer, our approach dynamically adjusts quantum circuits based on real-time measurement outcomes and learns distinct preparation protocols for different Hamiltonians. Notably, our machine learning algorithm consistently identifies a state preparation strategy wherein all initial states are first steered toward an intermediate state before transitioning to the target ground state. We demonstrate that performance systematically improves as a larger fraction of ancilla qubits are utilized for measurement and feedback, highlighting the efficacy of mid-circuit measurements in state preparation tasks.
Abstract（参考訳）: そこで本研究では,中間回路計測とフィードバックを利用したニューラルネットワークによる地中準備手法を提案する。機械学習をオプティマイザとしてのみ使用する従来の手法とは異なり、我々の手法はリアルタイム測定結果に基づいて量子回路を動的に調整し、異なるハミルトニアンの異なる準備プロトコルを学習する。特に,我々の機械学習アルゴリズムは,初期状態が最初に中間状態に制御された状態準備戦略を,目標基底状態に遷移する前に一貫して特定する。本研究は,アシラ量子ビットの大部分が測定およびフィードバックに利用されることにより,性能が体系的に向上することを示し,状態準備作業における中間回路測定の有効性を強調した。

関連論文リスト

Meta-Learning for Physically-Constrained Neural System Identification [9.417562391585076]
ブラックボックスシステム識別のためのニューラルネットワークモデル(NSSM)の高速適応のための勾配に基づくメタラーニングフレームワークを提案する。メタ学習モデルでは,室内の局所化とエネルギーシステムにおけるモデルベース状態推定において,ダウンストリーム性能が向上することを示す。
論文参考訳（メタデータ） (2025-01-10T18:46:28Z)
Learning Feedback Mechanisms for Measurement-Based Variational Quantum State Preparation [0.0]
この研究は、測定とフィードバックを変動量子回路に組み込む自己学習プロトコルを導入する。条件付き測定とフィードバックを組み合わせることで、プロトコルは単体のみのメソッドを超えて拡張される状態準備戦略を学ぶ。
論文参考訳（メタデータ） (2024-11-29T18:21:51Z)
Directly Estimating Mixed-State Entanglement with Bell Measurement Assistance [7.314117670864291]
絡み合いは量子物理学と情報処理において基本的な役割を果たす。我々は,数ショットシナリオにおける混合状態絡み合いの非バイアス推定器を開発し,フォトニックシステムにおけるランダムなユニタリ進化を用いて直接推定する。
論文参考訳（メタデータ） (2024-05-31T08:43:38Z)
Deterministic constant-depth preparation of the AKLT state on a quantum processor using fusion measurements [0.2007262412327553]
スピン-1 Affleck, Kennedy, Lieb, TasakiAKLT モデルの基底状態は、行列積状態と対称性保護位相の両方のパラダイム的な例である。非ゼロ相関長を持つAKLT状態は、局所ゲートからなる一定の深さのユニタリ回路によって正確には作成できない。固定深度回路を融合測定で拡張することにより、この非ゴー限界を回避できることを実証する。
論文参考訳（メタデータ） (2022-10-31T17:58:01Z)
MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文参考訳（メタデータ） (2022-10-24T15:14:26Z)
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)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文参考訳（メタデータ） (2021-08-09T17:39:09Z)
Statistical Approach to Quantum Phase Estimation [62.92678804023415]
位相推定アルゴリズム(PEA)に新しい統計的・変動的アプローチを導入する。固有位相推定のみを返す従来的かつ反復的なPEAとは異なり、提案手法は未知の固有状態-固有位相対を決定できる。本稿では,IBM Qプラットフォームおよびローカルコンピュータ上で,Qiskitパッケージを用いた手法のシミュレーション結果を示す。
論文参考訳（メタデータ） (2021-04-21T00:02:00Z)
Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文参考訳（メタデータ） (2020-07-31T17:25:12Z)
Machine learning assisted quantum state estimation [0.0]
我々は、量子状態の再構築に機械学習技術を利用する一般的な量子状態トモグラフィーフレームワークを構築した。幅広い純粋および混合入力状態に対して,本手法が機能的に等価な再構成状態を生成することをシミュレーションにより実証する。我々は,機械学習と量子状態推定の分野を組み合わせることで,トモグラフィに基づく量子実験を大幅に改善し,高速化することが期待できる。
論文参考訳（メタデータ） (2020-03-06T21:12:27Z)

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。