論文の概要: Physics-Informed Neural Networks with Adaptive Constraints for Multi-Qubit Quantum Tomography

• arxiv url: http://arxiv.org/abs/2512.14543v1
• Date: Tue, 16 Dec 2025 16:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.783051
• Title: Physics-Informed Neural Networks with Adaptive Constraints for Multi-Qubit Quantum Tomography
• Title（参考訳）: 多ビット量子トモグラフィのための適応制約を持つ物理インフォームニューラルネットワーク
• Authors: Changchun Feng, Laifa Tao, Lin Chen,
• Abstract要約: 量子状態トモグラフィ(QST)は、マルチキュービットシステムにおいて指数的な測定要件とノイズ感度に直面する。 本稿では、量子力学的制約を統合する物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 PINNは、2--5量子ビットシステムや任意の次元状態において、従来のニューラルネットワーク(TNN)よりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 4.568264237802171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum state tomography (QST) faces exponential measurement requirements and noise sensitivity in multi-qubit systems, bottlenecking practical quantum technologies. We present a physics-informed neural network (PINN) framework integrating quantum mechanical constraints via adaptive weighting, a residual-and-attention-enhanced architecture, and differentiable Cholesky parameterization for physical validity. Evaluations on 2--5 qubit systems and arbitrary-dimensional states show PINN consistently outperforms traditional neural networks (TNNs), achieving highest fidelity across all dimensions. PINN outperforms baselines, with marked improvements in moderately high-dimensional systems, superior noise robustness (slower performance degradation), and consistent dimensional robustness. Theoretical analysis shows physical constraints reduce Rademacher complexity and mitigate the curse of dimensionality via constraint-induced dimension and sample complexity reduction, effective regardless of qubit number. While experiments are limited to 5-qubit systems due to computational constraints, our theoretical framework (convergence guarantees, generalization bounds, scalability theorems) justifies PINN's advantages will persist and strengthen in larger systems (6+ qubits), where constraint-induced dimension reduction benefits grow with system size. Practically, this advances quantum error correction and gate calibration by reducing measurement requirements from O(4^n) to O(2^n) while maintaining high fidelity, enabling faster error correction cycles and accelerated calibration critical for scalable quantum computing.
• Abstract（参考訳）: 量子状態トモグラフィ(QST)は、マルチキュービットシステムにおいて指数的な測定要件とノイズ感度に直面し、実用的な量子技術をボトルネックにしている。 本稿では,適応重み付けによる量子力学的制約を統合する物理インフォームドニューラルネットワーク(PINN)フレームワークについて述べる。 2--5量子ビットシステムと任意の次元状態の評価は、PINNが従来のニューラルネットワーク(TNN)を一貫して上回り、すべての次元で最高の忠実さを達成していることを示している。 PINNは、中程度の高次元システムの顕著な改善、優れたノイズ堅牢性(低性能劣化)、一貫した次元ロバスト性など、ベースラインを上回っている。 理論的には、物理的制約はラデマッハの複雑さを減らし、制約による次元とサンプルの複雑さを減らし、量子ビット数によらず効果的に次元の呪いを和らげる。 実験は計算の制約により5量子系に限定されるが、我々の理論的枠組み(収束保証、一般化境界、拡張性定理)はPINNの利点を正当化し、システムサイズとともに制約による次元減少の恩恵が増大する大規模システム(6ビット以上)で強化する。 これにより、高い忠実度を維持しつつ、O(4^n)からO(2^n)への測定要求を低減し、高速な誤り訂正サイクルと、スケーラブルな量子コンピューティングに不可欠なキャリブレーションを実現できる。

関連論文リスト

• Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
  量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。 非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。 我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
  論文  参考訳（メタデータ） (2025-11-24T16:36:06Z)
• Quantum-Classical Hybrid Quantized Neural Network [8.382617481718643]
  本稿では、任意のアクティベーションと損失関数の使用を可能にする、量子化されたニューラルネットワークトレーニングのための新しい擬似バイナリ最適化(QBO)モデルを提案する。 我々はQCBO問題を直接解くために量子コンピューティングを利用するQCGD(Quantum Gradient Conditional Descent)アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2025-06-23T02:12:36Z)
• QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs [0.45880283710344066]
  物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークに物理法則を埋め込むことで偏微分方程式(PDE)を解くための有望な方法として登場した。 量子および古典的成分を組み合わせた量子古典物理学インフォームドニューラルネットワーク(QCPINN)を提案し,従来のPINNに匹敵する精度と収束性を維持しつつ,パラメータを著しく少なくしてPDEを解くことができる。
  論文  参考訳（メタデータ） (2025-03-20T19:52:26Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• 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)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)

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。