論文の概要: Learning to erase quantum states: thermodynamic implications of quantum learning theory

• arxiv url: http://arxiv.org/abs/2504.07341v1
• Date: Wed, 09 Apr 2025 23:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:21:50.442349
• Title: Learning to erase quantum states: thermodynamic implications of quantum learning theory
• Title（参考訳）: 量子状態の消去の学習--量子学習理論の熱力学的意味
• Authors: Haimeng Zhao, Yuzhen Zhang, John Preskill,
• Abstract要約: 学習アルゴリズムは最適エネルギーコストで未知の状態の多くのコピーを消去できることを示す。 これは、学習が完全に可逆的にでき、基本的なエネルギーコスト自体を持たないことを示すことで証明される。
• 参考スコア（独自算出の注目度）: 1.7410904432681802
• License:
• Abstract: The energy cost of erasing quantum states depends on our knowledge of the states. We show that learning algorithms can acquire such knowledge to erase many copies of an unknown state at the optimal energy cost. This is proved by showing that learning can be made fully reversible and has no fundamental energy cost itself. With simple counting arguments, we relate the energy cost of erasing quantum states to their complexity, entanglement, and magic. We further show that the constructed erasure protocol is computationally efficient when learning is efficient. Conversely, under standard cryptographic assumptions, we prove that the optimal energy cost cannot be achieved efficiently in general. These results also enable efficient work extraction based on learning. Together, our results establish a concrete connection between quantum learning theory and thermodynamics, highlighting the physical significance of learning processes and enabling efficient learning-based protocols for thermodynamic tasks.
• Abstract（参考訳）: 量子状態の消去のエネルギーコストは、状態の知識に依存する。 学習アルゴリズムはそのような知識を得て、最適なエネルギーコストで未知の状態の多くのコピーを消去できることを示す。 これは、学習が完全に可逆的にでき、基本的なエネルギーコスト自体を持たないことを示すことで証明される。 単純な数え上げの議論では、量子状態の消去のエネルギーコストとそれらの複雑さ、絡み合い、魔法を関連付ける。 さらに, 構築した消去プロトコルは, 学習が効率的である場合に, 計算的に効率的であることを示す。 逆に、標準的な暗号的仮定の下では、最適エネルギーコストは一般に効率的に達成できないことが証明される。 これらの結果は、学習に基づく効率的な作業抽出を可能にする。 本研究は, 量子学習理論と熱力学の具体的な関係を確立し, 学習過程の物理的意義を強調し, 熱力学的タスクに対する効率的な学習ベースのプロトコルを実現する。

関連論文リスト

• Computational Complexity of Learning Efficiently Generatable Pure States [11.180439223883962]
  量子状態学習の計算複雑性について検討する。 未知の量子状態が純粋な状態であることを約束し、効率的に生成可能であるならば、量子時間アルゴリズムが存在することを示す。 また、学習量子状態の硬さと量子暗号の関連性も観察する。
  論文  参考訳（メタデータ） (2024-10-06T06:25:36Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantumness Speeds up Quantum Thermodynamics Processes [1.3597551064547502]
  量子系のコヒーレンスは、すべての非コヒーレント状態を超えた循環的進化に関して、仕事の抽出を高速化することができることを示す。 さらに、量子系の真の絡み合いは、任意の二分割状態を超えて仕事の抽出をスピードアップする可能性があることを示す。
  論文  参考訳（メタデータ） (2024-06-19T08:52:19Z)
• Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
  No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。 我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。 得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。 この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
  論文  参考訳（メタデータ） (2024-05-12T09:05:13Z)
• 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)
• Exponential separations between classical and quantum learners [2.209921757303168]
  我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。 本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
  論文  参考訳（メタデータ） (2023-06-28T08:55:56Z)
• Quantum learning machines [0.0]
  古典的あるいは量子的な物理学習機械は、必ずしも散逸するシステムである。 古典的な場合、エネルギーは熱として放散される。 量子学習機械では、何を学ぶかは測定そのものの性質によって定義される。
  論文  参考訳（メタデータ） (2023-05-12T23:38:36Z)
• The Physics of Learning [0.0]
  学習機械は、他の機械と同様に、低いエントロピーのエネルギー源にアクセスすることによって熱平衡から遠ざかるオープンシステムである。 エラーの確率が低く学習するマシン間の接続と、古典機械と量子機械の両方に最適な熱力学資源の使用について論じる。
  論文  参考訳（メタデータ） (2022-09-24T08:12:07Z)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• 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)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。