論文の概要: Detecting Entanglement in High-Spin Quantum Systems via a Stacking Ensemble of Machine Learning Models

• arxiv url: http://arxiv.org/abs/2507.12775v1
• Date: Thu, 17 Jul 2025 04:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.341802
• Title: Detecting Entanglement in High-Spin Quantum Systems via a Stacking Ensemble of Machine Learning Models
• Title（参考訳）: 機械学習モデルの重ね合わせによる高スピン量子系の絡み合いの検出
• Authors: M. Y. Abd-Rabbou, Amr M. Abdallah, Ahmed A. Zahia, Ashraf A. Gouda, Cong-Feng Qiao,
• Abstract要約: 本研究では,量子システムにおけるエンサンブル機械学習モデルの有効性を,量子システムにおけるエンタングルメントを推定するための信頼性とスケーラブルなアプローチとして検討した。 ニューラルネットワーク(NN)、XGBoost(XGB)、エクストラツリー(ET)を統合したアンサンブル回帰器を構築する。 積み重ねメタリアナーを用いたアンサンブルモデルでは,キャットブースト (CB) による頑健な性能を示し,異なる次元と状態タイプ間の負性率を正確に予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable detection and quantification of quantum entanglement, particularly in high-spin or many-body systems, present significant computational challenges for traditional methods. This study examines the effectiveness of ensemble machine learning models as a reliable and scalable approach for estimating entanglement, measured by negativity, in quantum systems. We construct an ensemble regressor integrating Neural Networks (NNs), XGBoost (XGB), and Extra Trees (ET), trained on datasets of pure states and mixed Werner states for various spin dimensions. The ensemble model with stacking meta-learner demonstrates robust performance by CatBoost (CB), accurately predicting negativity across different dimensionalities and state types. Crucially, visual analysis of prediction scatter plots reveals that the ensemble model exhibits superior predictive consistency and lower deviation from true entanglement values compared to individual strong learners like NNs, even when aggregate metrics are comparable. This enhanced reliability, attributed to error cancellation and variance reduction inherent in ensembling, underscores the potential of this approach to bypass computational bottlenecks and provide a trustworthy tool for characterizing entanglement in high-dimensional quantum physics. An empirical formula for estimating data requirements based on system dimensionality and desired accuracy is also derived.
• Abstract（参考訳）: 量子エンタングルメントの信頼性の高い検出と量子化は、特に高スピン系や多体系において、従来の手法において重要な計算課題を提示する。 本研究では,量子システムにおけるエンサンブル機械学習モデルの有効性を,量子システムにおけるエンタングルメントを推定するための信頼性とスケーラブルなアプローチとして検討した。 我々は、ニューラルネットワーク(NN)、XGBoost(XGB)、Extra Trees(ET)を統合したアンサンブル回帰器を構築する。 積み重ねメタリアナーを用いたアンサンブルモデルでは,キャットブースト (CB) による頑健な性能を示し,異なる次元と状態タイプ間の負性率を正確に予測する。 重要な点として、予測散乱プロットの視覚的解析により、アンサンブルモデルは、集計値が同等であっても、NNのような個々の強い学習者と比較して、真の絡み合い値からの偏差が優れた予測一貫性を示すことが明らかになった。 この信頼性は、アンサンブルに固有の誤差のキャンセルとばらつきの低減に起因するもので、計算ボトルネックを回避し、高次元量子物理学における絡み合いを特徴づけるための信頼できるツールを提供する。 システム次元と所望の精度に基づいてデータ要求を推定する実証式も導出する。

関連論文リスト

• Beyond Calibration: Assessing the Probabilistic Fit of Neural Regressors via Conditional Congruence [2.2359781747539396]
  ディープネットワークは、しばしば過剰な自信と不一致な予測分布に悩まされる。 本稿では,条件付きカーネルの平均埋め込みを用いて,学習した予測分布とデータセットにおける経験的条件分布との距離を推定する,条件付きコングルーエンス誤差(CCE)について紹介する。 本研究では,1)データ生成プロセスが知られている場合の分布間の不一致を正確に定量化し,2)実世界の高次元画像回帰タスクに効果的にスケールし,3)未知のインスタンス上でのモデルの信頼性を評価することができることを示す。
  論文  参考訳（メタデータ） (2024-05-20T23:30:07Z)
• Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
  不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。 ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。 検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
  論文  参考訳（メタデータ） (2023-06-27T02:35:25Z)
• Single-model uncertainty quantification in neural network potentials does not consistently outperform model ensembles [0.7499722271664145]
  ニューラルネットワーク(NN)は、遠く離れた地点であっても、予測に高い信頼性を割り当てることが多い。 不確かさ定量化(英: Uncertainty Quantification、UQ)は、物質系における原子間ポテンシャルのモデル化に使用されるときの課題である。 異なるUQ技術は、新しい情報データを見つけ、堅牢なポテンシャルのためにアクティブな学習ループを駆動することができる。
  論文  参考訳（メタデータ） (2023-05-02T19:41:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Deep learning of spatial densities in inhomogeneous correlated quantum systems [0.0]
  ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。 我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:10:07Z)
• Identification of quantum entanglement with Siamese convolutional neural networks and semi-supervised learning [0.0]
  量子絡み合いは、様々な量子情報プロトコルやアルゴリズムで一般的に使用される基本的な性質である。 本研究では、教師付き機械学習の一種であるディープ畳み込みNNを用いて、3量子系における任意の二分割の量子絡みを同定する。
  論文  参考訳（メタデータ） (2022-10-13T23:17:55Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
  本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。 RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
  論文  参考訳（メタデータ） (2020-11-10T15:52:44Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)

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。