論文の概要: A Study on Stabilizer Rényi Entropy Estimation using Machine Learning

• arxiv url: http://arxiv.org/abs/2509.16799v1
• Date: Sat, 20 Sep 2025 20:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.979455
• Title: A Study on Stabilizer Rényi Entropy Estimation using Machine Learning
• Title（参考訳）: 機械学習を用いた安定化器レニーエントロピー推定に関する研究
• Authors: Vincenzo Lipardi, Domenica Dibenedetto, Georgios Stamoulis, Mark H. M. Winands,
• Abstract要約: 任意の量子状態に対するR'enyiエントロピー(SRE)を推定するための機械学習手法を提案する。 本研究では、回帰タスクとしてSRE推定をフレーム化し、包括的なデータセット上でランダムフォレスト回帰器とサポートベクター回帰器(SVR)をトレーニングする。 実験結果から,回路レベルの特徴を訓練したSVRが全体の性能を最大化できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.25165775267615204
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nonstabilizerness is a fundamental resource for quantum advantage, as it quantifies the extent to which a quantum state diverges from those states that can be efficiently simulated on a classical computer, the stabilizer states. The stabilizer R\'enyi entropy (SRE) is one of the most investigated measures of nonstabilizerness because of its computational properties and suitability for experimental measurements on quantum processors. Because computing the SRE for arbitrary quantum states is a computationally hard problem, we propose a supervised machine-learning approach to estimate it. In this work, we frame SRE estimation as a regression task and train a Random Forest Regressor and a Support Vector Regressor (SVR) on a comprehensive dataset, including both unstructured random quantum circuits and structured circuits derived from the physics-motivated one-dimensional transverse Ising model (TIM). We compare the machine-learning models using two different quantum circuit representations: one based on classical shadows and the other on circuit-level features. Furthermore, we assess the generalization capabilities of the models on out-of-distribution instances. Experimental results show that an SVR trained on circuit-level features achieves the best overall performance. On the random circuits dataset, our approach converges to accurate SRE estimations, but struggles to generalize out of distribution. In contrast, it generalizes well on the structured TIM dataset, even to deeper and larger circuits. In line with previous work, our experiments suggest that machine learning offers a viable path for efficient nonstabilizerness estimation.
• Abstract（参考訳）: 非安定化器性は、量子状態が古典的コンピュータ上で効率的にシミュレートできる状態から分岐する程度を定量化するので、量子優位のための基本的な資源である。 安定化器 R'enyi entropy (SRE) は、その計算特性と量子プロセッサの実験的な測定に適するため、非安定化器性に関する最も研究されている尺度の1つである。 任意の量子状態に対するSREの計算は計算的に難しい問題であるため、我々はそれを推定するために教師付き機械学習アプローチを提案する。 本研究では,SRE推定を回帰タスクとし,物理動機の1次元逆イジングモデル(TIM)から導出される非構造化ランダム量子回路と構造化回路を含む包括的データセット上でランダムフォレスト回帰器とサポートベクトル回帰器(SVR)を訓練する。 古典的影に基づく量子回路表現と,回路レベルの特徴に基づく2つの異なる量子回路表現を用いた機械学習モデルの比較を行った。 さらに,アウト・オブ・ディストリビューション・インスタンス上でモデルの一般化能力を評価する。 実験結果から,回路レベルの特徴を訓練したSVRが全体の性能を最大化できることが示唆された。 ランダム回路のデータセットでは,提案手法は正確なSRE推定に収束するが,分布の一般化に苦慮する。 対照的に、構造化されたTIMデータセットで、より深く大きな回路でもよく一般化する。 これまでの研究結果から,機械学習が非安定度を効率的に推定するための有効な経路を提供する可能性が示唆された。

関連論文リスト

• Cyclic Variational Quantum Eigensolver: Escaping Barren Plateaus through Staircase Descent [4.517663944296433]
  本稿では, 高精度な基底状態量子シミュレーションのためのハードウェア効率のよいフレームワークであるCVQEを紹介する。 CVQEは測定駆動フィードバックサイクルを組み込むことで従来のVQEから離脱する。 CVQEは, 相関系間の化学精度を一貫して維持し, 固定されたUCCSDを数桁の精度で上回り, 良好な精度とコストのトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2025-09-16T13:54:03Z)
• Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
  本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。 本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• Estimating Non-Stabilizerness Dynamics Without Simulating It [43.80709028066351]
  繰り返しクリフォード回路再正規化(I CCR)は、量子回路における非安定化性のダイナミクスを効率的に扱うように設計されている。 I CCRは、非安定化剤の複雑なダイナミクスを効果的な初期状態の流れに埋め込む。 我々はI CCRアルゴリズムを実装し,N = 1000までの大きさのシステムに対する非安定化性ダイナミクスを評価する。
  論文  参考訳（メタデータ） (2024-05-09T18:57:55Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• The vacuum provides quantum advantage to otherwise simulatable architectures [49.1574468325115]
  理想のゴッテマン・キタエフ・プレスキル安定化状態からなる計算モデルを考える。 測定結果の確率密度関数を計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T18:03:17Z)
• Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
  ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。 典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。 また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
  論文  参考訳（メタデータ） (2019-12-31T19:00:00Z)

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。