論文の概要: Enhanced Squeezing and Faster Metrology from Layered Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2512.09137v1
- Date: Tue, 09 Dec 2025 21:33:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.325204
- Title: Enhanced Squeezing and Faster Metrology from Layered Quantum Neural Networks
- Title（参考訳）: 層状量子ニューラルネットワークによるSqueezingと高速メトロロジー
- Authors: Nickholas Gutierrez, Rodrigo Araiza Bravo, Susanne Yelin,
- Abstract要約: 量子貯水池コンピュータ(QRC)、量子パーセプトロン、多層量子ニューラルネットワーク(QNN)のセンシング性能の比較を行った。
すべてのモデルに対して、コヒーレントスピン準備、一軸回転ダイナミクス、弱い回転によるフィールドエンコーディング、時間反転、集団読み出しからなる標準的なメロジカルシーケンスを考察する。
以上の結果から,量子ニューラルネットワークの構造は計算だけでなく,より高速でより感度の高いスクイージング型量子センサの開発にも活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spin squeezing is a powerful resource for quantum metrology, and recent hardware platforms based on interacting qubits provide multiple possible architectures to generate and reverse squeezing during a sensing protocol. In this work, we compare the sensing performance of three such architectures: quantum reservoir computers (QRCs), quantum perceptrons, and multi-layer quantum neural networks (QNNs), when used as squeezing-based field sensors. For all models, we consider a standard metrological sequence consisting of coherent-spin preparation, one-axis-twisting dynamics, field encoding via a weak rotation, time-reversal, and collective readout. We show that a single quantum perceptron generates the same optimal sensitivity as a QRC, but in the perturbative regime it benefits from accelerated squeezing due to steering by the output qubit. Stacking perceptrons into a QNN further amplifies this effect: in a 2-layer QNN with N_in input and N_out output qubits, the optimal squeezing time is reduced by a factor of N_out, while the achievable phase sensitivity remains Heisenberg-limited, Delta phi ~ 1/(N_in + N_out). Moreover, if the layers are used sequentially, first using the outputs to squeeze the inputs and then the inputs to squeeze the outputs, the two contributions to the response add constructively. This yields a sqrt(2) enhancement in sensitivity over a QRC when N_in = N_out and requires shorter total squeezing time. Generalizing to L layers, we show that the metrological gain scales as sqrt(L) while the required squeezing time decreases as 1/N_l, where N_l is the number of qubits per layer. Our results demonstrate that the structure of quantum neural networks can be exploited not only for computation, but also to engineer faster and more sensitive squeezing-based quantum sensors.
- Abstract（参考訳）: スピンスクイーズ(Spin squeezing)は量子メロジの強力なリソースであり、近年のハードウェアプラットフォームは、相互作用量子ビットをベースとして、センシングプロトコル中に複数の可能なアーキテクチャを提供し、逆スクイーズを生成する。
本研究では, 量子サーボコンピュータ(QRC), 量子パーセプトロン, マルチレイヤ量子ニューラルネットワーク(QNN) の3種類のセンサ性能を, スクイーズベースフィールドセンサとして使用した場合に比較する。
すべてのモデルに対して、コヒーレントスピン準備、一軸回転ダイナミクス、弱い回転によるフィールドエンコーディング、時間反転、集団読み出しからなる標準的なメロジカルシーケンスを考察する。
単一量子パーセプトロンは、QRCと同じ最適感度を発生させるが、摂動状態においては、出力量子ビットによる操舵による急激なスクイーズによる恩恵を受ける。
N_in入力とN_out出力キュービットを有する2層QNNにおいて、達成可能な位相感度がハイゼンベルク限定、Delta phi ~1/(N_in + N_out)であり、最適スケズ時間はN_outの係数で減少する。
さらに、層が逐次的に使用される場合、まず出力を使用して入力を絞り、次に出力を絞り込むと、応答に対する2つのコントリビューションが構成的に追加される。
これにより、N_in = N_outのときのQRCに対する感度が向上し、全スキューズ時間も短くなる。
L層に一般化すると, 平均利得は sqrt(L) となり, 必要なスクイーズ時間は 1/N_l となり, N_l は1層当たりのキュービット数となる。
以上の結果から,量子ニューラルネットワークの構造は計算だけでなく,より高速でより感度の高いスクイージング型量子センサの開発にも活用できることが示唆された。
関連論文リスト
- Efficient Deployment of Spiking Neural Networks on SpiNNaker2 for DVS Gesture Recognition Using Neuromorphic Intermediate Representation [2.649410674489787]
スパイキングニューラルネットワーク(SNN)は、推論時に非常にエネルギー効率が高い。
ダイナミックビジョンセンサー(DVS)のデータなどのイベント駆動入力を処理する能力により、エッジコンピューティングタスクへの適用性はさらに向上する。
マルチコアニューロモルフィックチップSpiNNaker2に最適化されたSNNを用いたDVSジェスチャー認識タスクの最初のベンチマークを示す。
論文 参考訳（メタデータ） (2025-04-09T10:09:29Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Physics-informed neural network for quantum control of NMR registers [0.0]
物理インフォームドニューラルネットワーク(PINN)を用いた量子制御の実験的検討を行った。
PINNの健全な特徴は、ネットワークパラメータの観点から制御シーケンス全体をエンコードする方法である。
ゲート合成と状態準備という2つの重要な量子情報課題について論じる。
論文 参考訳（メタデータ） (2024-06-29T13:56:31Z) - A Quantum Optical Recurrent Neural Network for Online Processing of
Quantum Times Series [0.7087237546722617]
量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。
また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。
我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
論文 参考訳（メタデータ） (2023-05-31T19:19:25Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z)
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。