論文の概要: Machine Learning for Detecting Steering in Qutrit-Pair States
- arxiv url: http://arxiv.org/abs/2502.11365v1
- Date: Mon, 17 Feb 2025 02:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:10:18.368056
- Title: Machine Learning for Detecting Steering in Qutrit-Pair States
- Title（参考訳）: 量子ペア状態におけるステアリング検出のための機械学習
- Authors: Pu Wang, Zhongyan Li, Huixian Meng,
- Abstract要約: 準定値プログラミングを用いて、キュートリット量子系におけるステアビリティ検出のためのデータセットを構築する。
応用として、等方性状態と部分的に絡み合った状態のステアビリティ境界を調べ、新しいステアビリティ状態を求める。
- 参考スコア（独自算出の注目度）: 6.078568639689658
- License:
- Abstract: Only a few states in high-dimensional systems can be identified as (un)steerable using existing theoretical or experimental methods. We utilize semidefinite programming (SDP) to construct a dataset for steerability detection in qutrit-qutrit systems. For the full-information feature $F_1$, artificial neural networks achieve high classification accuracy and generalization, and preform better than the support vector machine. As feature engineering playing a pivotal role, we introduce a steering ellipsoid-like feature $F_2$, which significantly enhances the performance of each of our models. Given the SDP method provides only a sufficient condition for steerability detection, we establish the first rigorously constructed, accurately labeled dataset based on theoretical foundations. This dataset enables models to exhibit outstanding accuracy and generalization capabilities, independent of the choice of features. As applications, we investigate the steerability boundaries of isotropic states and partially entangled states, and find new steerable states. This work not only advances the application of machine learning for probing quantum steerability in high-dimensional systems but also deepens the theoretical understanding of quantum steerability itself.
- Abstract（参考訳）: 高次元系のいくつかの状態のみが、既存の理論的あるいは実験的手法を用いて(非)ステアブルと特定できる。
我々は、半定値プログラミング(SDP)を用いて、クォート量子系におけるステアビリティ検出のためのデータセットを構築する。
フル情報機能である$F_1$の場合、人工知能ニューラルネットワークは高い分類精度と一般化を実現し、サポートベクタマシンよりもプリフォームが優れている。
特徴工学が重要な役割を担っているため, ステアリング楕円体のような特徴である$F_2$を導入し, それぞれのモデルの性能を大幅に向上させる。
SDP法はステアビリティ検出に十分な条件しか提供しないので、理論の基礎に基づいて、厳密に構築され、正確にラベル付けされた最初のデータセットを確立する。
このデータセットは、特徴の選択とは独立して、優れた精度と一般化能力を示すモデルを可能にする。
応用として、等方性状態と部分的に絡み合った状態のステアビリティ境界を調べ、新しいステアビリティ状態を求める。
この研究は、高次元システムにおける量子ステアビリティの探索に機械学習を適用するだけでなく、量子ステアビリティ自体の理論的理解を深める。
関連論文リスト
- QDA$^2$: A principled approach to automatically annotating charge
stability diagrams [1.2437226707039448]
ゲート定義半導体量子ドット(QD)アレイは量子コンピューティングのための有望なプラットフォームである。
大きな構成空間と固有のノイズは、QDデバイスのチューニングを非自明なタスクにする。
QD auto-annotatorは、実験的に得られたデータの自動解釈とラベル付けのための古典的なアルゴリズムである。
論文 参考訳（メタデータ） (2023-12-18T13:52:18Z) - Deep learning the hierarchy of steering measurement settings of
qubit-pair states [1.0124625066746595]
我々は、ディープラーニングモデルのパワーを活用して、特定の測定設定数で量子状態のステアビリティを推定する。
Alice-to-Bob steerability の最もコンパクトな特徴は Alice の定期的な整列型 steering ellipsoid である。
論文 参考訳（メタデータ） (2023-06-08T13:55:04Z) - 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) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Functional Indirection Neural Estimator for Better Out-of-distribution
Generalization [27.291114360472243]
FINE(Functional Indirection Neural Estorimator)は、入力されたデータをオンザフライで出力する関数を構成することを学ぶ。
我々は、MNIST、Omniglot、CIFAR100データセットの画像を用いて、IQタスク上でFINEと競合するモデルを訓練する。
FINEはすべてのタスクで最高のパフォーマンスを達成するだけでなく、小さなデータシナリオにも適応できる。
論文 参考訳（メタデータ） (2022-10-23T14:43:02Z) - Unsupervised Interpretable Learning of Phases From Many-Qubit Systems [2.4352963290061993]
短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。
我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
論文 参考訳（メタデータ） (2022-08-18T14:35:28Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Tensor network approaches for learning non-linear dynamical laws [0.0]
制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。
データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
論文 参考訳（メタデータ） (2020-02-27T19:02:40Z)
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。