論文の概要: Optimizing quantum sensing networks via genetic algorithms and deep learning

• arxiv url: http://arxiv.org/abs/2507.17460v1
• Date: Wed, 23 Jul 2025 12:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.989294
• Title: Optimizing quantum sensing networks via genetic algorithms and deep learning
• Title（参考訳）: 遺伝的アルゴリズムとディープラーニングによる量子センシングネットワークの最適化
• Authors: Asghar Ullah, Özgür E. Müstecaplıoğlu, Matteo G. A. Paris,
• Abstract要約: 弱い磁場を推定する量子センシングネットワークにおけるグラフトポロジの最適化について検討する。 我々はネットワークトポロジを進化させ、遺伝的アルゴリズムの適合機能として機能する摂動スペクトル感度尺度を最大化する。 ベストパフォーマンスグラフに対しては、対応する量子フィッシャー情報(QFI)を計算し、推定精度の最終的な限界を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the optimization of graph topologies for quantum sensing networks designed to estimate weak magnetic fields. The sensors are modeled as spin systems governed by a transverse-field Ising Hamiltonian in thermal equilibrium at low temperatures. Using a genetic algorithm (GA), we evolve network topologies to maximize a perturbative spectral sensitivity measure, which serves as the fitness function for the GA. For the best-performing graphs, we compute the corresponding quantum Fisher information (QFI) to assess the ultimate bounds on estimation precision. To enable efficient scaling, we use the GA-generated data to train a deep neural network, allowing extrapolation to larger graph sizes where direct computation becomes prohibitive. Our results show that while both the fitness function and QFI initially increase with system size, the QFI exhibits a clear non-monotonic behavior - saturating and eventually declining beyond a critical graph size. This reflects the loss of superlinear scaling of the QFI, as the narrowing of the energy gap signals a crossover to classical scaling of the QFI with system size. The effect is reminiscent of the microeconomic law of diminishing returns: beyond an optimal graph size, further increases yield reduced sensing performance. This saturation and decline in precision are particularly pronounced under Kac scaling, where both the QFI and spin squeezing plateau or degrade with increasing system size. We also attribute observed even-odd oscillations in the spectral sensitivity and QFI to quantum interference effects in spin phase space, as confirmed by our phase-space analysis. These findings highlight the critical role of optimizing interaction topology - rather than simply increasing network size - and demonstrate the potential of hybrid evolutionary and learning-based approaches for designing high-performance quantum sensors.
• Abstract（参考訳）: 弱い磁場を推定する量子センシングネットワークにおけるグラフトポロジの最適化について検討する。 センサーは、低温の熱平衡において横磁場イジング・ハミルトンが支配するスピン系としてモデル化される。 遺伝的アルゴリズム(GA)を用いて,ネットワークトポロジを進化させ,GAの適応機能として機能する摂動スペクトル感度尺度を最大化する。 ベストパフォーマンスグラフに対しては、対応する量子フィッシャー情報(QFI)を計算し、推定精度の最終的な限界を評価する。 効率のよいスケーリングを実現するために,GA生成データを用いてディープニューラルネットワークをトレーニングし,直接計算が禁じられるグラフサイズの外挿を可能にする。 以上の結果から,適合関数とQFIは,当初はシステムサイズとともに増大するが,QFIは明らかに非単調な振る舞いを示す。 このことは、エネルギーギャップの狭さがQFIの古典的なスケーリングとシステムサイズとの交差を示すため、QFIの超線形スケーリングの損失を反映している。 この効果は、最適グラフサイズを超えると、センサ性能が低下するというミクロ経済の法則を想起させるものである。 この飽和度と精度の低下は特に、QFIとスピンスクイージング台地の両方がシステムサイズが大きくなるにつれて劣化するカクスケールにおいて顕著である。 また, スペクトル感度の偶発振動とスピン位相空間の量子干渉効果のQFIを位相空間解析により確認した。 これらの知見は、単にネットワークサイズを増大させるのではなく、相互作用トポロジを最適化する重要な役割を強調し、高性能量子センサーを設計するためのハイブリッド進化と学習に基づくアプローチの可能性を示している。

関連論文リスト

• Neural Network Architectures for Scalable Quantum State Tomography: Benchmarking and Memristor-Based Acceleration [0.9572566550427288]
  量子状態トモグラフィ(QST)は、量子システムの特徴付けと検証に不可欠である。 以前の性能の主張は、体系的な検証よりもアーキテクチャ上の仮定に依存していた。 いくつかのニューラルネットワークアーキテクチャをベンチマークして、キュービット数で効果的にスケールするかを判断し、システムサイズが大きくなるにつれて高い忠実性を維持することができない。
  論文  参考訳（メタデータ） (2025-07-30T18:12:10Z)
• Towards Robust and Generalizable Gerchberg Saxton based Physics Inspired Neural Networks for Computer Generated Holography: A Sensitivity Analysis Framework [2.379238710809238]
  コンピュータ生成ホログラフィー(CGH)はホログラフィック拡張現実(AR)、3Dディスプレイ、システム神経科学、光学トラップの応用を可能にする。 CGHの基本的な課題は、強度測定による位相検索の逆問題を解決することである。 GS-PINNの性能に対するFMHの影響を定量化するために,SaltelliによるSobol法の拡張に基づく系統的感度分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-30T23:49:33Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Quantum Convolutional Neural Network with Flexible Stride [7.362858964229726]
  本稿では,新しい量子畳み込みニューラルネットワークアルゴリズムを提案する。 異なるタスクに対応するために、柔軟にストライドを調整できます。 データスケールの指数加速度を、従来のものに比べて少ないメモリで達成することができる。
  論文  参考訳（メタデータ） (2024-12-01T02:37:06Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Fluctuation based interpretable analysis scheme for quantum many-body snapshots [0.0]
  物質の微視的理解と分類は、強相関量子物理学の中心にある。 ここでは、混乱学習と相関畳み込みニューラルネットワークを組み合わせることで、完全に解釈可能な位相検出を行う。 我々の研究は、解釈可能な量子画像処理における新しい方向を、長距離の順序に相応しいものに開放する。
  論文  参考訳（メタデータ） (2023-04-12T17:59:59Z)
• Automatic Network Adaptation for Ultra-Low Uniform-Precision Quantization [6.1664476076961146]
  一様精度ニューラルネットワーク量子化は、高計算能力のために高密度に充填された演算ユニットを単純化したため、人気を集めている。 層間の量子化誤差の影響に対して不均一な感度を無視し、結果として準最適推論をもたらす。 本研究は,超低精度量子化による精度劣化を軽減するために,ニューラルネットワーク構造を調整するニューラルチャネル拡張と呼ばれる新しいニューラルアーキテクチャ探索を提案する。
  論文  参考訳（メタデータ） (2022-12-21T09:41:25Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)
• Deep recurrent networks predicting the gap evolution in adiabatic quantum computing [0.0]
  ハミルトン問題を完全に同定するパラメータからギャップのパラメトリック依存への写像を発見するためのディープラーニングの可能性を探る。 本稿では,パラメータ空間がシステムサイズと線形にスケールする場合に,長期記憶ネットワークがギャップを予測することに成功していることを示す。 注目すべきは、このアーキテクチャがモデルの空間構造を扱うために畳み込みニューラルネットワークと組み合わされると、トレーニング中にニューラルネットワークで見られるものよりも大きなシステムサイズに対してギャップ進化を予測できることである。
  論文  参考訳（メタデータ） (2021-09-17T12:08:57Z)

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。