論文の概要: Quantum-aware Transformer model for state classification

• arxiv url: http://arxiv.org/abs/2502.21055v1
• Date: Fri, 28 Feb 2025 13:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:43:07.361526
• Title: Quantum-aware Transformer model for state classification
• Title（参考訳）: 状態分類のための量子認識変換器モデル
• Authors: Przemysław Sekuła, Michał Romaszewski, Przemysław Głomb, Michał Cholewa, Łukasz Pawela,
• Abstract要約: 本稿では,データ駆動型ニューラルネットワークを用いた絡み合い分類手法を提案する。 我々のデータセットは、純粋な分離可能な状態、ヴェルナーの絡み合った状態、一般的な絡み合った状態、最大絡み合った状態を含む多様な二部体状態からなる。 本手法は,分離可能な状態と絡み合った状態とを効果的に区別し,ほぼ完全な分類精度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Entanglement is a fundamental feature of quantum mechanics, playing a crucial role in quantum information processing. However, classifying entangled states, particularly in the mixed-state regime, remains a challenging problem, especially as system dimensions increase. In this work, we focus on bipartite quantum states and present a data-driven approach to entanglement classification using transformer-based neural networks. Our dataset consists of a diverse set of bipartite states, including pure separable states, Werner entangled states, general entangled states, and maximally entangled states. We pretrain the transformer in an unsupervised fashion by masking elements of vectorized Hermitian matrix representations of quantum states, allowing the model to learn structural properties of quantum density matrices. This approach enables the model to generalize entanglement characteristics across different classes of states. Once trained, our method achieves near-perfect classification accuracy, effectively distinguishing between separable and entangled states. Compared to previous Machine Learning, our method successfully adapts transformers for quantum state analysis, demonstrating their ability to systematically identify entanglement in bipartite systems. These results highlight the potential of modern machine learning techniques in automating entanglement detection and classification, bridging the gap between quantum information theory and artificial intelligence.
• Abstract（参考訳）: 絡み合いは量子力学の基本的特徴であり、量子情報処理において重要な役割を果たす。 しかし、特に混合状態状態における絡み合った状態の分類は、特にシステム次元が増加するにつれて難しい問題である。 本研究では,2部量子状態に着目し,トランスフォーマーベースニューラルネットワークを用いた絡み合い分類のためのデータ駆動型アプローチを提案する。 我々のデータセットは、純粋な分離可能な状態、ヴェルナーの絡み合った状態、一般的な絡み合った状態、最大絡み合った状態を含む多様な二部体状態からなる。 我々は、量子状態のベクトル化されたエルミート行列表現の要素をマスキングすることで、教師なしの方法で変換器を事前訓練し、量子密度行列の構造的性質を学習することができる。 このアプローチにより、モデルは異なる状態のクラスにわたる絡み合い特性を一般化することができる。 訓練後, ほぼ完全な分類精度を達成し, 分離可能な状態と絡み合った状態とを効果的に区別する。 従来の機械学習と比較して,本手法は量子状態解析にトランスフォーマーをうまく適用し,両部システムの絡み合いを系統的に識別する能力を示した。 これらの結果は、量子情報理論と人工知能のギャップを埋めて、絡み検出と分類を自動化する現代の機械学習技術の可能性を浮き彫りにしている。

関連論文リスト

• Harnessing Quantum Support Vector Machines for Cross-Domain Classification of Quantum States [1.3187011661009458]
  クロスドメイン分類は、絡み合いと分離性パラダイムの解釈に使用される。 2ビット混合状態の効率的分類を,絡み合ったクラスと分離可能なクラスに分類する。 本研究は,量子状態の分類のための量子支援ベクトルマシンの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-06-30T17:24:55Z)
• Benchmarking machine learning models for quantum state classification [0.0]
  本研究では, 励起状態から基底状態を判別することにより, 測定状態の分類モデルを開発する。 実量子デバイスに適用された複数の分類手法をベンチマークする。
  論文  参考訳（メタデータ） (2023-09-14T12:45:20Z)
• 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)
• Unified Quantum State Tomography and Hamiltonian Learning Using Transformer Models: A Language-Translation-Like Approach for Quantum Systems [0.47831562043724657]
  本稿では,量子状態トモグラフィとハミルトン学習を効果的に融合させるため,変圧器モデルに注意機構を取り入れた新しいアプローチを提案する。 簡単な2量子ビットの場合から、より複雑な2次元反強磁性ハイゼンベルク構造まで、様々な量子系におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-24T11:20:44Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Digital Quantum Simulation and Circuit Learning for the Generation of Coherent States [1.4153418423656923]
  量子回路におけるコヒーレントな状態をデジタル的に準備する2つの方法が導入された。 ディジタル生成されたコヒーレント状態の高忠実度を検証した。 シミュレーションの結果、量子回路学習は、適切なアンサーゼを選択することにより、コヒーレントな状態の学習に高い忠実性を提供できることが示された。
  論文  参考訳（メタデータ） (2022-10-30T09:06:21Z)
• Learning entanglement breakdown as a phase transition by confusion [0.0]
  我々は「混乱による学習」として知られる機械学習技術を用いて絡み合いの分解を明らかにするアプローチを開発する。 提案手法は,正部分転位(PPT)を伴う絡み合った状態を含む,様々な状態に対する正しい回答を提供する。 また、ノイズのある中間スケール量子(NISQ)デバイスにおける絡み合いの分解を研究するのに適した、より実用的な方法を提案する。
  論文  参考訳（メタデータ） (2022-02-01T11:41:18Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Gaussian Process States: A data-driven representation of quantum many-body physics [59.7232780552418]
  我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。 この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。 また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
  論文  参考訳（メタデータ） (2020-02-27T15:54:44Z)
• 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。