論文の概要: Can machine learning for quantum-gas experiments be explainable?
- arxiv url: http://arxiv.org/abs/2605.18689v1
- Date: Mon, 18 May 2026 17:27:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:50.197504
- Title: Can machine learning for quantum-gas experiments be explainable?
- Title（参考訳）: 量子ガス実験のための機械学習は説明できるのか?
- Authors: I. B. Spielman amd J. P. Zwolak,
- Abstract要約: コールド原子ベースの量子シミュレータに対する機械学習の2つの特定の応用に焦点を当てる。
まず,Bose-Einstein凝縮体における原画像のデノナイズを行い,ソリトニック波の同定を行った。
どちらの例でも、パフォーマンス、モデルの複雑さ、解釈可能性の間の相互作用についてコメントします。
- 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: Virtually all aspects of many-body atomic physics are challenging: experiments are technically demanding, datasets have become enormous, and the memory and CPU requirements for classical simulation of generic quantum systems often scale exponentially with system size. Machine learning (ML) methods are already assisting in each of these areas and are poised to become transformative. Here, we focus on two specific applications of ML to cold-atom-based quantum simulators. These devices generally generate data in the form of images; we first showcase denoising of raw images and then identify solitonic waves in Bose-Einstein condensates. In both of these examples, we comment on the interplay between performance, model complexity, and interpretability.
- Abstract（参考訳）: 実験は技術的に要求され、データセットは巨大になり、ジェネリック量子系の古典的なシミュレーションのためのメモリとCPUの要求は、しばしばシステムサイズと指数関数的にスケールする。
機械学習(ML)メソッドは、すでにこれらの領域でサポートされており、変革の可能性がある。
本稿では,低温原子系量子シミュレータへのMLの2つの応用に焦点を当てる。
これらのデバイスは一般的に画像の形でデータを生成し、まず原画像のデノナイズを行い、ボース=アインシュタイン凝縮体中のソリトニック波を識別する。
どちらの例でも、パフォーマンス、モデルの複雑さ、解釈可能性の間の相互作用についてコメントします。
関連論文リスト
- Efficient MPS representations and quantum circuits from the Fourier modes of classical image data [0.0]
高速に減衰するフーリエスペクトルを持つ古典的データは、シュミットランクの小さい状態によってよく近似できることを示す。
これらの近似状態は、隣り合う2量子ビットゲートの線形数を持つ量子コンピュータ上で準備することができる。
また、異なる変分回路のアンゼを考慮し、1次元のシーケンシャル回路がより強力なアンゼと同じ圧縮品質を達成できることを数値的に示す。
論文 参考訳（メタデータ） (2023-11-13T19:00:33Z) - Quantum Computing Simulation of a Mixed Spin-Boson Hamiltonian and Its Performance for a Cavity Quantum Electrodynamics Problem [0.0]
本稿では,光子ホッピングを許容する一対の空洞における相転移をシミュレーションする手法を提案する。
シミュレーションは、控えめな量の量子資源で行うことができる。
論文 参考訳（メタデータ） (2023-10-17T15:25:35Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳（メタデータ） (2023-07-31T14:45:29Z) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳（メタデータ） (2023-01-23T11:00:29Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳（メタデータ） (2022-02-17T19:00:09Z) - Combining Machine Learning with Physics: A Framework for Tracking and
Sorting Multiple Dark Solitons [0.0]
超低温原子実験では、データは情報損失を被る画像の形で現れることが多い。
機械学習(ML)モデルと物理に基づく伝統的な分析を組み合わせたフレームワークについて述べる。
このフレームワークの訓練された実装であるSolDetは、オープンソースのpythonパッケージとして公開されています。
論文 参考訳（メタデータ） (2021-11-08T23:49:04Z) - 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) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2020-10-13T06:57:17Z)
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。