論文の概要: Entropy Estimation in Multi-Qutrit Systems via Variational and Classical Neural Networks

• arxiv url: http://arxiv.org/abs/2606.20504v1
• Date: Thu, 18 Jun 2026 17:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.016319
• Title: Entropy Estimation in Multi-Qutrit Systems via Variational and Classical Neural Networks
• Title（参考訳）: 変分ニューラルネットワークと古典ニューラルネットワークによるマルチクオリットシステムのエントロピー推定
• Authors: Sai Sakunthala Guddanti, Anil Prabhakar, Ria Rushin Joseph,
• Abstract要約: 本稿では,変分量子アルゴリズム(VQA)と古典畳み込みニューラルネットワーク(CNN)を用いた多量子量子系におけるフォン・ノイマンエントロピー推定の系統的研究を行う。 最大3キュートリットのシステムでは、ハードウェア効率のよいSU(3)インスパイアされたアンサーゼを11個構築し、評価する。 大規模システム(2〜5キュートリット)では,テンソル積の非バイアスベースから測定結果を学習したCNNを用いて,高精度で安定した予測を行い,システムサイズによる性能の体系的改善を示す。
• 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: We present a systematic study of von Neumann entropy estimation in multi-qutrit quantum systems using two complementary approaches: variational quantum algorithms (VQAs) and classical convolutional neural networks (CNNs), evaluated using an ideal (noise-free) quantum simulator. For systems up to three qutrits, we construct and evaluate 11 hardware-efficient SU(3)-inspired ansatzes. A parameter sweep shows that estimation accuracy is primarily determined by the number of trainable parameters, provided sufficient entanglement is present. Based on this study, we fix the parameter count to approximately 120 for subsequent experiments, observing that increasing entangling-gate counts beyond a threshold yields only marginal improvements. For larger systems (two to five qutrits), we use a CNN trained on measurement outcomes from tensor-product mutually unbiased bases. The model achieves accurate and stable predictions and exhibits a systematic improvement in performance with system size, with the highest errors for two-qutrit systems and the lowest for five-qutrit systems. Notably, using only 12.5% of the measurements required for full state tomography is sufficient to reach 90th-percentile absolute errors of approximately 0.13-0.16 nats for both four- and five-qutrit systems. The CNN model is also robust to shot noise and generalizes well to out-of-distribution states. Overall, within the simulated settings studied here, our results indicate a transition in practical methods: VQAs are effective for small systems, while CNN-based estimators offer improved scalability and robustness for larger qutrit systems.
• Abstract（参考訳）: 本稿では,変分量子アルゴリズム (VQA) と古典畳み込みニューラルネットワーク (CNN) の2つの相補的なアプローチを用いて,多量子量子系におけるフォン・ノイマンエントロピー推定の体系的研究を行う。 最大3キュートリットのシステムでは、ハードウェア効率のよいSU(3)インスパイアされたアンサーゼを11個構築し、評価する。 パラメータスイープは、十分な絡み合いが存在する場合、推定精度がトレーニング可能なパラメータの数によって決定されることを示す。 本研究は, パラメータ数を約120に固定し, エンタングゲート数の増加がしきい値を超えると, 限界値の改善しか得られないことを示した。 大規模システム(2〜5キュートリット)では、テンソル生成物が互いに偏りのない基底から得られる測定結果に基づいて訓練されたCNNを用いる。 このモデルは正確で安定した予測を達成し、システムサイズで性能を体系的に改善し、2量子系では最高誤差、5量子系では最低誤差を示す。 特に、フルステート・トモグラフィーに必要な測定値の12.5%しか使用していないため、4-および5-クォート系で約0.13-0.16ナットの90パーセントの絶対誤差に達するのに十分である。 CNNモデルは、ノイズの撮影にも頑健であり、分布外状態に対してよく一般化する。 VQAは小型システムに有効であるのに対し、CNNベースの推定器はより大型のクォート系に拡張性と堅牢性を提供する。

関連論文リスト

• Quantum Machine Learning for UAV Swarm Intrusion Detection [25.52804434998647]
  UAV群における侵入検知は、高移動量、非定常交通、重度の階級不均衡によって複雑である。 量子カーネル、変分量子ニューラルネットワーク(QNN)、ハイブリッド量子学習ニューラルネットワーク(QT-NN)の3つのアプローチをベンチマークする。 すべてのモデルは8機能フロー表現を消費し、同じ前処理、バランス、ノイズモデル仮定の下で評価される。 量子カーネルとQT-NNは低データ、非線形なレジームで優れており、QNNはトレーニング容易性の問題に悩まされている。
  論文  参考訳（メタデータ） (2025-09-01T22:36:30Z)
• Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
  本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。 本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
  不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。 ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。 検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
  論文  参考訳（メタデータ） (2023-06-27T02:35:25Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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 Simple Approach to Improve Single-Model Deep Uncertainty via Distance-Awareness [33.09831377640498]
  本研究では,1つの決定論的表現に基づく1つのネットワークの不確実性向上手法について検討する。 本稿では,現代のDNNにおける距離認識能力を向上させる簡易な手法として,スペクトル正規化ニューラルガウス過程(SNGP)を提案する。 ビジョンと言語理解のベンチマークスイートでは、SNGPは予測、キャリブレーション、ドメイン外検出において、他の単一モデルアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-05-01T05:46:13Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
  本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。 RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
  論文  参考訳（メタデータ） (2020-11-10T15:52:44Z)
• Efficient and Scalable Bayesian Neural Nets with Rank-1 Factors [36.56528603807598]
  そこで,各重み行列はランク1部分空間上の分布のみを含むBNNのランク1パラメータ化を提案する。 また、複数のモードをキャプチャするために、混合近似後続法を用いて再検討し、典型的な混合法とは異なり、この手法はメモリ増加を著しく小さくする。 ImageNetのResNet-50、CIFAR-10/100のWide ResNet 28-10、MIMIC-IIIのRNNでは、ランク1のBNNはログ、精度、キャリブレーションで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-05-14T17:58:59Z)

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。