論文の概要: Learning quantum tomography from incomplete measurements

• arxiv url: http://arxiv.org/abs/2506.19428v1
• Date: Tue, 24 Jun 2025 08:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.560137
• Title: Learning quantum tomography from incomplete measurements
• Title（参考訳）: 不完全測定から量子トモグラフィーを学ぶ
• Authors: Mateusz Krawczyk, Pavel Baláž, Katarzyna Roszak, Jarosław Pawłowski,
• Abstract要約: 量子トモグラフィーを情報的に不完全なシナリオで再検討し、ディープニューラルネットワークを用いた状態再構成手法を提案する。 最初のアプローチでは、トレーニングされたネットワークは、(既に取られた)測定演算子の集合のみに依存する係数を持つ最適線形あるいは二次的な再構成子を予測する。 2つ目は、LSTMリカレントネットワークをベースとして、逐次状態再構成を行うため、スケーラブルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We revisit quantum tomography in an informationally incomplete scenario and propose improved state reconstruction methods using deep neural networks. In the first approach, the trained network predicts an optimal linear or quadratic reconstructor with coefficients depending only on the collection of (already taken) measurement operators. This effectively refines the undercomplete tomographic reconstructor based on pseudoinverse operation. The second, based on an LSTM recurrent network performs state reconstruction sequentially, thus is scalable. It can also optimize the measurement sequence, which suggests a no-free-lunch theorem for tomography: by narrowing the state space, we gain the possibility of more efficient tomography by learning the optimal sequence of measurements. Numerical experiments for a 2-qubit system show that both methods outperform standard maximum likelihood estimation and also scale to larger 3-qubit systems. Our results demonstrate that neural networks can effectively learn the underlying geometry of multi-qubit states using this for their reconstruction.
• Abstract（参考訳）: 量子トモグラフィーを情報的に不完全なシナリオで再検討し、ディープニューラルネットワークを用いた状態再構成手法を提案する。 最初のアプローチでは、トレーニングされたネットワークは、(既に取られた)測定演算子の集合のみに依存する係数を持つ最適線形あるいは二次的な再構成子を予測する。 これにより、擬似逆演算に基づく不完全トモグラフィ再構成を効果的に洗練する。 第2に、LSTMリカレントネットワークに基づく状態再構成を逐次行うため、スケーラブルである。 状態空間を狭めることで、測定の最適シーケンスを学習することで、より効率的なトモグラフィーの可能性を得る。 2量子ビット系の数値実験により、どちらの手法も標準最大推定よりも優れており、より大きな3量子ビット系にも拡張可能であることが示された。 その結果、ニューラルネットワークは、これを再構成に利用して、マルチキュービット状態の基底構造を効果的に学習できることが示されている。

関連論文リスト

• Scalable Bayesian Inference in the Era of Deep Learning: From Gaussian Processes to Deep Neural Networks [0.5827521884806072]
  大規模なデータセットでトレーニングされた大規模なニューラルネットワークは、マシンラーニングの主要なパラダイムになっています。 この論文は、モデル不確実性を持つニューラルネットワークを装備するためのスケーラブルな手法を開発する。
  論文  参考訳（メタデータ） (2024-04-29T23:38:58Z)
• Quantum process tomography of structured optical gates with convolutional neural networks [0.0]
  本研究では,空間依存型SU(2)演算子の高速かつ高精度な再構成を可能にするディープラーニング手法について検討する。 スケーラブルなU-Netアーキテクチャに基づいて畳み込みニューラルネットワークをトレーニングし、実験画像全体を並列に処理する。 提案手法は、量子プロセストモグラフィーへのデータ駆動アプローチのツールボックスをさらに拡張し、複雑な光ゲートのリアルタイム評価において有望であることを示す。
  論文  参考訳（メタデータ） (2024-02-26T14:47:13Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Efficient factored gradient descent algorithm for quantum state tomography [10.100843479138222]
  本稿では,量子トモグラフィープロトコルを提案する。このプロトコルは,状態要素と固有値マッピングを組み合わせ,ランク不足問題に対処する。 また, ランダムな11ビット混合状態のフル状態トモグラフィを1分以内で達成できることも確認した。
  論文  参考訳（メタデータ） (2022-07-12T06:45:35Z)
• 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)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Unsupervised mapping of phase diagrams of 2D systems from infinite projected entangled-pair states via deep anomaly detection [0.0]
  本研究では, 2次元量子多体系の位相図を, 事前の物理知識を持たない方法でマップアウトする方法を示す。 ベンチマークとして、2次元フラストレーションされた2層ハイゼンベルクモデルの位相図を解析する。 遷移ラインの質的な画像を得るためには、コスト効率のよい単純な更新最適化からのデータを使用することが十分であることを示す。
  論文  参考訳（メタデータ） (2021-05-19T12:19:20Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)
• Unsupervised Adaptive Neural Network Regularization for Accelerated Radial Cine MRI [3.6280929178575994]
  本研究では,浅部畳み込みニューラルネットワークの非教師なし学習に基づく2次元放射状シネMRIの反復的再構成手法を提案する。 ネットワークは、再構築中の解の現在の推定値のパッチを近似するように訓練される。
  論文  参考訳（メタデータ） (2020-02-10T14:47:20Z)

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。