論文の概要: Physics-inspired neural networks as quasi inverse of quantum channels

• arxiv url: http://arxiv.org/abs/2506.11716v1
• Date: Fri, 13 Jun 2025 12:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.780895
• Title: Physics-inspired neural networks as quasi inverse of quantum channels
• Title（参考訳）: 量子チャネルの準逆元としての物理インスピレーションニューラルネットワーク
• Authors: Sameen Aziz, Muhammad Faryad,
• Abstract要約: この研究は、チャネルパラメータの任意の値に対する量子ビットチャネルの準逆を求めるニューラルネットワークの可能性を探るものである。 修正トレース距離(MSMTD)の2乗平均に基づく物理インスパイアされた損失関数を導入する。 スケールされたトレース距離は、ニューラルネットワークが量子状態のブロッホベクトルの長さを増大させないように使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum channels are not invertible in general. A quasi-inverse allows for a partial recovery of the input state, but its analytical results are found only in a restricted space of its parameters. This work explores the potential of neural networks to find the quasi-inverse of qubit channels for any values of the channel parameters while keeping the quasi-inverse as a physically realizable quantum operation. We introduce a physics-inspired loss function based on the mean of the square of the modified trace distance (MSMTD). The scaled trace distance is used so that the neural network does not increase the length of the Bloch vector of the quantum states, which ensures that the network behaves as a completely positive and trace-preserving (CPTP) quantum channel. The Kraus operators of the quasi-inverse channel were obtained by performing quantum process tomography on the trained neural network.
• Abstract（参考訳）: 量子チャネルは一般には可逆ではない。 準逆は入力状態の部分的な回復を可能にするが、解析結果はパラメータの制限された空間でのみ見られる。 この研究は、準逆を物理的に実現可能な量子演算として保ちながら、チャネルパラメータの任意の値に対する量子ビットチャネルの準逆を見つけるニューラルネットワークの可能性を探るものである。 修正されたトレース距離(MSMTD)の平均値に基づいて,物理に着想を得た損失関数を導入する。 スケールされたトレース距離は、ニューラルネットワークが量子状態のブロッホベクトルの長さを増大させないように使用されるため、ネットワークが完全に正かつトレース保存(CPTP)量子チャネルとして振る舞うことが保証される。 準逆チャネルのクラウス作用素は、トレーニングされたニューラルネットワーク上で量子プロセストモグラフィーによって得られる。

関連論文リスト

• Natural Quantization of Neural Networks [0.0]
  そこで我々は,ニューロンが量子ビットに対応し,活性化関数が量子ゲートと測定によって実装される,標準的なニューラルネットワークの自然な量子化を提案する。 我々は、このアーキテクチャを標準MNISTデータセットのサブセットでベンチマークし、「量子優位」の仕組みを見つける。 提案した量子ニューラルネットワークは、商用データセット上の現在の量子コンピュータで容易に実現可能である。
  論文  参考訳（メタデータ） (2025-03-19T17:57:11Z)
• A noise-limiting quantum algorithm using mid-circuit measurements for dynamical correlations at infinite temperature [0.0]
  中間回路計測とフィードフォワードで構築した量子チャネルを導入する。 分極チャネルの存在下では、大きな深さ制限で意味のある非ゼロ信号を表示する。 本稿では,量子チャネルの耐雑音性について紹介する。
  論文  参考訳（メタデータ） (2024-01-04T11:25:04Z)
• Multi-Valued Quantum Neurons [0.0]
  多値量子ニューロンに基づく量子ニューラルネットワーク(QNN)は、複雑な重み、入力、単位のルートで符号化された出力で構築することができる。 我々の構造は量子系のエネルギースペクトルを分析するのに利用できる。
  論文  参考訳（メタデータ） (2023-05-03T10:16:22Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Network Tomography with Multi-party State Distribution [10.52717496410392]
  量子ネットワークにおける量子チャネルのキャラクタリゼーションは、最重要事項である。 本稿では量子ネットワークトモグラフィーの問題点を紹介する。 一つのパウリ作用素によって記述された量子チャネルを持つ任意のスター量子ネットワークの場合、この問題を詳細に研究する。
  論文  参考訳（メタデータ） (2022-06-06T21:47:09Z)
• Parametrized constant-depth quantum neuron [56.51261027148046]
  本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。 ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。 パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
  論文  参考訳（メタデータ） (2022-02-25T04:57:41Z)
• Toward Trainability of Deep Quantum Neural Networks [87.04438831673063]
  ランダムな構造を持つ量子ニューラルネットワーク(QNN)は、回路深さと量子ビット数が増加するにつれて指数関数的に減少する勾配のため、トレーニング性に乏しい。 理論的保証のある深部QNNに対して、消滅する勾配問題に対する最初の実現可能な解決策を提供する。
  論文  参考訳（メタデータ） (2021-12-30T10:27:08Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。