Fugu-MT 論文翻訳(概要): Learning Time-Varying Quantum Lossy Channels

論文の概要: Learning Time-Varying Quantum Lossy Channels

arxiv url: http://arxiv.org/abs/2504.12810v1
Date: Thu, 17 Apr 2025 10:15:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-18 14:36:20.279954
Title: Learning Time-Varying Quantum Lossy Channels
Title（参考訳）: 時間変化量子損失チャネルの学習
Authors: Angela Rosy Morgillo, Stefano Mancini, Massimiliano F. Sacchi, Chiara Macchiavello,
Abstract要約: ニューラルネットワークを用いて、時間変化の量子チャネルの振る舞いを分類し、回帰し、予測する。ネットワークは、マルコフ、マルコフ、メモリレス、複合、決定論的チャネルの区別において、少なくとも87%の精度を達成する。
参考スコア（独自算出の注目度）: 2.499907423888049
License:
Abstract: Time-varying quantum channels are essential for modeling realistic quantum systems with evolving noise properties. Here, we consider Gaussian lossy channels varying from one use to another and we employ neural networks to classify, regress, and forecast the behavior of these channels from their Choi-Jamiolkowski states. The networks achieve at least 87% of accuracy in distinguishing between non-Markovian, Markovian, memoryless, compound, and deterministic channels. In regression tasks, the model accurately reconstructs the loss parameter sequences, and in forecasting, it predicts future values, with improved performance as the memory parameter approaches 1 for Markovian channels. These results demonstrate the potential of neural networks in characterizing and predicting the dynamics of quantum channels.
Abstract（参考訳）: 時変量子チャネルは、進化するノイズ特性を持つ現実的な量子システムをモデル化するために不可欠である。ここでは、ガウスの損失チャネルを別の用途によって異なると考え、ニューラルネットワークを用いてこれらのチャネルの振る舞いをChoi-Jamiolkowski状態から分類、回帰、予測する。ネットワークは、マルコフ、マルコフ、メモリレス、複合、決定論的チャネルの区別において、少なくとも87%の精度を達成する。回帰タスクでは、損失パラメータ列を正確に再構成し、予測では将来の値を予測し、マルコフチャネルのメモリパラメータが1に近づくにつれて性能が向上する。これらの結果は、量子チャネルの力学を特徴づけ、予測するニューラルネットワークの可能性を示している。

関連論文リスト

Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Detecting Markovianity of Quantum Processes via Recurrent Neural Networks [0.0]
本稿では、マルコフ的および非マルコフ的量子過程を分類するために、リカレントニューラルネットワーク(RNN)を利用する新しい手法を提案する。このモデルは、様々なシナリオにまたがって95%を超える例外的な精度を示す。
論文参考訳（メタデータ） (2024-06-11T13:05:36Z)
Improving Continuous-variable Quantum Channels with Unitary Averaging [37.69303106863453]
本稿では、光チャネルを介して伝送される未知のガウス状態を保護するために、受動線形光ユニタリ平均化方式を提案する。この方式は, 位相雑音が純度, スクイーズ, 絡み合いに与える影響を低減し, 確率的誤り訂正プロトコルを介してチャネルを増強する。
論文参考訳（メタデータ） (2023-11-17T10:10:19Z)
Quantum State Reconstruction in a Noisy Environment via Deep Learning [0.9012198585960443]
未知のノイズチャネルによって崩壊した量子状態の再構成と分類のタスクについて検討する。このような手法が,99%以上の忠実度で回復できることを示す。また、異なる量子ノイズチャネルを区別するタスクも検討し、ニューラルネットワークベースの分類器が、そのような分類問題を正確な精度で解決できることを示す。
論文参考訳（メタデータ） (2023-09-21T10:03:30Z)
A Comparison of Neural Networks for Wireless Channel Prediction [10.721189858694398]
予測品質、トレーニングの複雑さ、実用性の観点から、どのニューラルネットワークベースのスキームが最高のパフォーマンスを提供するのかは不明だ。本稿ではまず,チャネル予測に適用可能な最先端ニューラルネットワークの概要を示し,その性能を予測品質の観点から比較する。それぞれのニューラルネットワークの利点と欠点について論じ、チャネル予測アプリケーションで最適なニューラルネットワークを選択するためのガイドラインを提示する。
論文参考訳（メタデータ） (2023-08-27T06:39:46Z)
Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文参考訳（メタデータ） (2020-10-26T03:36:01Z)
Hidden Markov Neural Networks [5.8317379706611385]
隠れマルコフニューラルネットワーク(Hidden Markov Neural Network)と呼ばれる,進化中のベイズ型ニューラルネットワークを定義する。 MNIST、動的分類タスク、ビデオにおける次のフレーム予測の実験は、隠れマルコフニューラルネットワークが強力な予測性能を提供することを示す。
論文参考訳（メタデータ） (2020-04-15T09:18:18Z)
Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。