論文の概要: Imaging at the quantum limit with convolutional neural networks
- arxiv url: http://arxiv.org/abs/2506.13488v1
- Date: Mon, 16 Jun 2025 13:45:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:48.591695
- Title: Imaging at the quantum limit with convolutional neural networks
- Title（参考訳）: 畳み込みニューラルネットワークによる量子限界のイメージング
- Authors: Andrew H. Proppe, Aaron Z. Goldberg, Guillaume Thekkadath, Noah Lupu-Gladstein, Kyle M. Jordan, Philip J. Bustard, Frédéric Bouchard, Duncan England, Khabat Heshami, Jeff S. Lundeen, Benjamin J. Sussman,
- Abstract要約: 画像再構成のための深部畳み込みニューラルネットワークモデルの性能限界を評価する。
我々は、光のコヒーレントな状態に照らされた自然物体の画像に基づいてU-Netモデルを訓練する。
平均二乗誤差が標準量子限界を超えることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have been shown to achieve exceptional performance for computer vision tasks like image recognition, segmentation, and reconstruction or denoising. Here, we evaluate the ultimate performance limits of deep convolutional neural network models for image reconstruction, by comparing them against the standard quantum limit set by shot-noise and the Heisenberg limit on precision. We train U-Net models on images of natural objects illuminated with coherent states of light, and find that the average mean-squared error of the reconstructions can surpass the standard quantum limit, and in some cases reaches the Heisenberg limit. Further, we train models on well-parameterized images for which we can calculate the quantum Cram\'er-Rao bound to determine the minimum possible measurable variance of an estimated parameter for a given probe state. We find the mean-squared error of the model predictions reaches these bounds calculated for the parameters, across a variety of parameterized images. These results suggest that deep convolutional neural networks can learn to become the optimal estimators allowed by the laws of physics, performing parameter estimation and image reconstruction at the ultimate possible limits of precision for the case of classical illumination of the object.
- Abstract（参考訳）: ディープニューラルネットワークは、画像認識、セグメンテーション、再構築、復調といったコンピュータビジョンタスクにおいて、例外的なパフォーマンスを達成することが示されている。
本稿では,画像再構成のための深部畳み込みニューラルネットワークモデルの性能限界を,ショットノイズによって設定される標準量子限界と高精度ハイゼンベルク限界とを比較して評価する。
我々は、光のコヒーレントな状態に照らされた自然物体の画像上でU-Netモデルを訓練し、再構成の平均二乗誤差が標準量子限界を超え、場合によってはハイゼンベルク極限に達することを発見した。
さらに、与えられたプローブ状態に対する推定パラメータの最小可測分散を決定するために、量子Cram\'er-Rao境界を計算できるよくパラメータ化された画像のモデルを訓練する。
モデル予測の平均2乗誤差はパラメータに対して計算された境界値に達する。
これらの結果は、深層畳み込みニューラルネットワークが、物理法則によって許容される最適推定器となり、古典的な照明の場合の最終的な精度限界でパラメータ推定と画像再構成を行うことができることを示唆している。
関連論文リスト
- Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。
半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。
短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
論文 参考訳（メタデータ） (2025-04-29T17:57:01Z) - CondiQuant: Condition Number Based Low-Bit Quantization for Image Super-Resolution [59.91470739501034]
画像超解像のための条件数に基づく低ビットポストトレーニング量子化であるCondiQuantを提案する。
CondiQuantは、計算オーバーヘッドを伴わずに、既存の最先端のポストトレーニング量子化手法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2025-02-21T14:04:30Z) - Time-bin entanglement in the deterministic generation of linear photonic cluster states [0.0]
理論的には、個々の量子エミッタを用いて、時間双絡光子の列車を決定論的に生成するための戦略を理論的に検討する。
フル微視的数値シミュレーションにおいて, 束縛されたフォトニック量子ビットのかなりの数の線形クラスター状態の理論的生成を示す。
論文 参考訳（メタデータ） (2024-03-13T13:38:45Z) - BID-NeRF: RGB-D image pose estimation with inverted Neural Radiance
Fields [0.0]
Inverted Neural Radiance Fields (iNeRF) アルゴリズムの改良を目標とし、画像ポーズ推定問題をNeRFに基づく反復線形最適化として定義する。
NeRFは、現実世界のシーンやオブジェクトのフォトリアリスティックな新しいビューを合成できる新しい空間表現モデルである。
論文 参考訳（メタデータ） (2023-10-05T14:27:06Z) - High-precision tomography of ion qubits based on registration of
fluorescent photons [0.0]
本研究では, イオン量子ビットレジスタの高精度トモグラフィー法を開発した。
提案モデルでは, 量子ビットの状態に関する情報がかなり多く含まれており, しきい値アルゴリズムに基づくモデルと比較して, 状態再構成の精度が高いことを示す。
論文 参考訳（メタデータ） (2023-07-06T09:53:39Z) - Simulating Gaussian Boson Sampling with Tensor Networks in the
Heisenberg picture [0.9208007322096533]
本論文では,ハイゼンベルク図におけるテンソルネットワークの時間発展に基づくボソンサンプリングの確率分布の計算法を提案する。
本研究は,本手法の有効性と量子コンピューティング研究を進展させる可能性を示すものである。
論文 参考訳（メタデータ） (2023-05-18T18:00:00Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。
本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文 参考訳（メタデータ） (2021-08-24T15:30:04Z)
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。