論文の概要: Quantum photonic neural networks in time
- arxiv url: http://arxiv.org/abs/2603.23798v1
- Date: Wed, 25 Mar 2026 00:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.064918
- Title: Quantum photonic neural networks in time
- Title（参考訳）: 時間的量子フォトニックニューラルネットワーク
- Authors: Ivanna M. Boras Vazquez, Jacob Ewaniuk, Nir Rotenberg,
- Abstract要約: 時間ビン符号化量子フォトニックニューラルネットワーク(QPNN)を実現するためのアーキテクチャとタイミングアルゴリズムを導入する。
典型的な空間符号化QPNNとは異なり、時間符号化ネットワークは同じ数のフォトニック素子を必要とする。
損失やルーティングエラー,特に識別可能な光子など,不完全性を含む方法を示す。
- 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 introduce the architecture and timing algorithm to realize a time-bin-encoded quantum photonic neural network (QPNN): a reconfigurable nonlinear photonic circuit inspired by the brain and trained to process quantum information. Unlike the typical spatially-encoded QPNN, time-encoded networks require the same number of photonic elements (e.g. phase shifters or switches) regardless of their size or depth. Here, we present a model of such a network and show how to include imperfections such as losses, routing errors and most notably distinguishable photons. As an example, we train the QPNN to realize a controlled-NOT gate, based on a hypothetical ideal Kerr nonlinearity. We then extend our model to a realistic two-photon nonlinearity due to scattering from a single, semiconductor quantum dot coupled to a photonic waveguide. We show that, using this realistic nonlinearity, the QPNN can be trained to act as a Bell-state analyzer which operates with a fidelity of 0.96 and at a rate only limited by losses. We further show that time gating can raise this fidelity to over 0.99, while still maintaining an efficiency exceeding 0.9. Overall, this work lays a framework for the first QPNN encoded in time, and provides a clear path to the scaling of these networks.
- Abstract（参考訳）: 本稿では,時間ビン符号化型量子フォトニックニューラルネットワーク(QPNN)を実現するためのアーキテクチャとタイミングアルゴリズムを提案する。
典型的な空間符号化QPNNとは異なり、時間符号化ネットワークはその大きさや深さに関わらず、同じ数のフォトニック素子(例えば位相シフト器やスイッチ)を必要とする。
ここでは、そのようなネットワークのモデルを示し、損失、ルーティングエラー、そして最も顕著な識別可能な光子などの不完全性をどのように含めるかを示す。
例えば、仮説的理想Kerr非線形性に基づいて、制御NOTゲートを実現するためにQPNNを訓練する。
そして、光導波路に結合した単一半導体量子ドットからの散乱により、我々のモデルを現実的な2光子非線形性へと拡張する。
この現実的な非線形性を用いて、QPNNは確率0.96のベル状態解析器として動作し、損失のみに制限される速度で動作するように訓練できることを示す。
さらに、時間ゲーティングが0.9を超える効率を維持しつつも、この忠実度を0.99以上に引き上げることができることを示す。
全体として、この作業は、最初のQPNNを時間内に符号化したフレームワークを配置し、これらのネットワークのスケーリングへの明確なパスを提供する。
関連論文リスト
- Photonic Quantum Convolutional Neural Networks with Adaptive State Injection [0.39928148142956393]
我々は、状態注入を備えた粒子数保存回路に基づいて、最初のフォトニック量子畳み込みニューラルネットワーク(PQCNN)を設計、実験的に実装した。
半導体量子ドットを用いた単一光子源を用いたフォトニックプラットフォーム上でのバイナリ画像分類のためのPQCNNを実験的に検証した。
短期量子デバイスと互換性のある非線形ボソンサンプリングタスクに対する単純な適応手法の可能性を強調した。
論文 参考訳（メタデータ） (2025-04-29T17:57:01Z) - Experimental entanglement swapping through single-photon $χ^{(2)}$ nonlinearity [0.3747501273234419]
単光子間の総周波発生による絡み合わせを,$chi(2)$-非線形光導波路で示す。
超低暗数超伝導単光子検出器を用いた高信号対雑音比(SNR)、安定した総周波発生型エンタングルメント・ヘルダーは、前例のないSNR要件を満たすことができることを示す。
その結果, 交換状態の忠実度は0.770(76)以下であることが確認された。
論文 参考訳（メタデータ） (2024-11-26T09:44:50Z) - Quantum optical neural networks with programmable nonlinearities [0.0]
線形光学よりもプログラム可能な非線形性を用いることで、量子光学回路を構築するのがより効率的な方法であることが示される。
このアプローチは、高忠実度演算を実現するために必要な調整可能なパラメータの数と回路深さを大幅に削減する。
論文 参考訳（メタデータ） (2024-10-10T12:37:05Z) - Efficient nuclear spin - photon entanglement with optical routing [0.0]
量子ネットワークと分散量子コンピュータは、光子と長寿命量子メモリの間の絡み合い生成に依存している。
ここでは、ダイヤモンド中の原子スピン量子ビットとフォトニック時間ビン量子ビットとのハイブリッド絡みの検出効率を最大化する。
この結果から,将来の高性能量子ネットワークへの道が開けた。
論文 参考訳（メタデータ） (2024-08-03T17:01:03Z) - Simulation of Entanglement Generation between Absorptive Quantum
Memories [56.24769206561207]
我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。
本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。
本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
論文 参考訳（メタデータ） (2022-12-17T05:51:17Z) - Realistic quantum photonic neural networks [0.0]
量子フォトニックニューラルネットワーク(quantum photonic Neural Network)は、高忠実度量子演算を実装するためにトレーニングできる変分フォトニック回路である。
現実的な量子フォトニクスニューラルネットワークは、光子損失や不完全なルーティング、弱い非線形性につながる製造不完全性に悩まされていることを示す。
準最適$pi/10$有効Kerr非線形性を用いて、現在の最先端プロセスで構成されたネットワークが0.891の非条件忠実性を達成することを示す。
論文 参考訳（メタデータ） (2022-08-13T04:41:39Z) - Toward Trainability of Deep Quantum Neural Networks [87.04438831673063]
ランダムな構造を持つ量子ニューラルネットワーク(QNN)は、回路深さと量子ビット数が増加するにつれて指数関数的に減少する勾配のため、トレーニング性に乏しい。
理論的保証のある深部QNNに対して、消滅する勾配問題に対する最初の実現可能な解決策を提供する。
論文 参考訳（メタデータ） (2021-12-30T10:27:08Z) - 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) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z) - 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)
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。