論文の概要: Tucker iterative quantum state preparation

• arxiv url: http://arxiv.org/abs/2602.09909v1
• Date: Tue, 10 Feb 2026 15:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.654547
• Title: Tucker iterative quantum state preparation
• Title（参考訳）: タッカー反復量子状態準備
• Authors: Carsten Blank, Israel F. Araujo,
• Abstract要約: 本稿では,浅い決定論的量子回路を適応的に構築する新しい手法であるTucker Iterative Quantum State Preparation (Q-Tucker)を紹介する。 タッカー分解に基づいて,本手法は,対象の量子状態をコアテンソルとモード固有演算子に分解し,複数のサブシステム間の直接分解を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum state preparation is a fundamental component of quantum algorithms, particularly in quantum machine learning and data processing, where classical data must be encoded efficiently into quantum states. Existing amplitude encoding techniques often rely on recursive bipartitions or tensor decompositions, which either lead to deep circuits or lack practical guidance for circuit construction. In this work, we introduce Tucker Iterative Quantum State Preparation (Q-Tucker), a novel method that adaptively constructs shallow, deterministic quantum circuits by exploiting the global entanglement structure of target states. Building upon the Tucker decomposition, our method factors the target quantum state into a core tensor and mode-specific operators, enabling direct decompositions across multiple subsystems.
• Abstract（参考訳）: 量子状態の準備は量子アルゴリズムの基本的な構成要素であり、特に量子機械学習やデータ処理において、古典的なデータを量子状態に効率的にエンコードする必要がある。 既存の振幅符号化技術は、しばしば再帰的な分割やテンソル分解に依存しており、深い回路につながるか、回路構築のための実用的なガイダンスが欠如している。 本研究では,ターゲット状態のグローバルな絡み合い構造を利用して,浅い決定論的量子回路を適応的に構築する新しい手法であるTucker Iterative Quantum State Preparation (Q-Tucker)を紹介する。 タッカー分解に基づいて,本手法は,対象の量子状態をコアテンソルとモード固有演算子に分解し,複数のサブシステム間の直接分解を可能にする。

関連論文リスト

• Quantum Circuit Design using Complex valued Neural Network in Stiefel Manifold [1.0885910878567457]
  単層複素数値ニューラルネットワークを用いた量子回路構築のための機械学習手法を提案する。 入力および演算量子状態はネットワークに提供され、与えられた量子アルゴリズムの出力状態を近似するように訓練される。
  論文  参考訳（メタデータ） (2025-09-02T14:41:55Z)
• Constant-Depth Quantum Circuits for Arbitrary Quantum State Preparation via Measurement and Feedback [5.9862846364925115]
  本研究は,本質的な量子タスクの恒常的な実装を実現するためのフレームワークを開発する。 これには、測定とフィードバックを通じて、一定の深さの回路で任意の量子状態を作成することが含まれる。 この結果は、測定とフィードバックを用いた一般的な量子回路圧縮の道を開くものである。
  論文  参考訳（メタデータ） (2025-03-20T14:55:04Z)
• Quantum data encoding as a distinct abstraction layer in the design of quantum circuits [1.1510009152620668]
  我々は量子データ符号化の概念、すなわち量子状態を通して設定されたデータセットの表現を提供する形式を定式化する。 主要な量子アルゴリズムが、データの読み込みに関して、いかに自然な解釈を見出すかを示す。 新しい概念的枠組みは、量子ベースのモンテカルロシミュレーションへの応用を考えることで実証されている。
  論文  参考訳（メタデータ） (2024-09-14T07:00:58Z)
• 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)
• Hamiltonian Encoding for Quantum Approximate Time Evolution of Kinetic Energy Operator [2.184775414778289]
  時間進化作用素は、量子コンピュータにおける化学実験の正確な計算において重要な役割を果たす。 我々は、運動エネルギー演算子の量子化のための新しい符号化法、すなわち量子近似時間発展法(QATE)を提案している。
  論文  参考訳（メタデータ） (2023-10-05T05:25:38Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits [63.83649593474856]
  近年、変分量子回路は量子シミュレーションや量子機械学習に広く用いられている。 しかし、ランダムな構造を持つ量子回路は、回路深さと量子ビット数に関して指数関数的に消える勾配のため、トレーニング容易性が低い。 この結果は、ディープ量子回路が実用的なタスクでは実現できないという一般的な見解に繋がる。
  論文  参考訳（メタデータ） (2022-03-17T15:06:40Z)
• Quantum Compiling by Deep Reinforcement Learning [30.189226681406392]
  回路量子コンピュータのアーキテクチャは、高レベルな量子アルゴリズムを量子ゲートの低レベルな回路にコンパイルするための層を必要とする。 量子コンパイルの一般的な問題は、量子計算を記述する任意のユニタリ変換を、普遍的な量子ゲートの有限基底から選択された要素の列として近似することである。 我々は,探索時間と搾取時間とのトレードオフが著しく異なる,より深い強化学習手法を代替戦略として活用する。
  論文  参考訳（メタデータ） (2021-05-31T15:32:15Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Programming a quantum computer with quantum instructions [39.994876450026865]
  我々は密度行列化プロトコルを用いて量子データ上で量子命令を実行する。 古典的に定義されたゲートの固定列は、補助量子命令状態に一意に依存する演算を実行する。 量子命令の利用により、コストのかかるトモグラフィー状態の再構築と再コンパイルの必要性がなくなる。
  論文  参考訳（メタデータ） (2020-01-23T22:43:29Z)

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。