論文の概要: Flow-based Phase-space Tomography of Continuous-variable Quantum States
- arxiv url: http://arxiv.org/abs/2607.21584v1
- Date: Thu, 23 Jul 2026 17:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.527975
- Title: Flow-based Phase-space Tomography of Continuous-variable Quantum States
- Title（参考訳）: 連続可変量子状態のフローベース位相空間トモグラフィ
- Abstract要約: 連続可変量子状態トモグラフィーは、高次元位相空間における非ガウス構造を解くコストによって制限される。
本稿では,フローベース生成モデルを用いた量子状態トモグラフィフレームワークQST-Flowを紹介する。
- 参考スコア（独自算出の注目度）: 13.15213244300837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous-variable quantum state tomography is limited by the cost of resolving non-Gaussian structure in high-dimensional phase space. We introduce QST-Flow, a quantum state tomography framework via flow-based generative modeling that represents experimentally accessible phase-space quasiprobability distributions with normalized, samplable neural densities rather than a truncated density matrix. The framework has two variants: QST-QFlow models the positive Husimi-$Q$ function with a single normalizing flow, while QST-WFlow models sign-changing Wigner functions as a trainable difference of two normalized flows. This construction preserves quasiprobability normalization and enables exact density evaluation, direct sampling, and importance-sampled learning from finite phase-space measurements without a fixed grid. Benchmarks on non-Gaussian cat, binomial, Gottesman-Kitaev-Preskill, number, and Fock states show accurate single-mode reconstructions, extension to multimode states, robustness on noisy Wigner data, and improved reconstruction error compared with prior machine-learning tomography methods. QST-Flow opens a promising route toward scalable, measurement-efficient phase-space tomography of nonclassical bosonic systems.
- Abstract（参考訳）: 連続可変量子状態トモグラフィーは、高次元位相空間における非ガウス構造を解くコストによって制限される。
QST-Flowは、フローベース生成モデルによる量子状態トモグラフィーフレームワークであり、トランキャットされた密度行列ではなく、正規化され、サンプリング可能なニューラル密度を持つ実験的な位相空間準確率分布を表す。
QST-QFlow は正の Husimi-$Q$ 関数を1つの正規化フローでモデル化し、QST-WFlow は2つの正規化フローのトレーニング可能な差として Wigner 関数を符号変換する。
この構造は準確率正規化を保ち、固定格子を使わずに有限位相空間測定から正確な密度評価、直接サンプリング、重要サンプル学習を可能にする。
非ガウス的な猫、二項項、ゴッテマン・キタエフ・プレスキル、数、フォック状態のベンチマークでは、正確な単一モードの再構成、マルチモード状態への拡張、ノイズの多いウィグナーデータの堅牢性、従来の機械学習トモグラフィー法と比較して再構成誤差の改善が示されている。
QST-Flowは、非古典的ボソニック系のスケーラブルで計測効率の良い位相空間トモグラフィーへの有望な道を開く。
関連論文リスト
- Homomorphic Aggregation of Continuous-Variable GKP States [0.0]
直接受動線形光学は非ガウスゴッテスマン-キタエフ-プレスキル格子状態を分解する。
空間分布ペイロードを結合するアクティブな連続変数ネットワークプリミティブを提案する。
論文 参考訳（メタデータ） (2026-08-13T13:30:11Z) - Learning to Reconstruct Wigner Functions in Phase Space [10.554489133189373]
ウィグナー関数学習は連続変数量子システムを特徴づける中心的なツールである。
我々は、疎位相空間データから連続関数としてWigner関数を直接再構築する一般的な機械学習フレームワークを開発する。
回路量子力学(サーキットQED)システムによるシミュレーションデータと実験データの両方に適用可能であることを示す。
論文 参考訳（メタデータ） (2026-07-07T13:00:28Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - SDFlow: Similarity-Driven Flow Matching for Time Series Generation [42.61146250886606]
我々は,凍結したVQ潜在空間で完全に動作する非自己回帰フレームワークであるSDFlowを提案する。
SDFlowは最先端の性能を実現し,識別スコアを向上し,コンテキストFIDを大幅に低減することを示す。
論文 参考訳（メタデータ） (2026-05-07T06:28:18Z) - QB-LIF: Learnable-Scale Quantized Burst Neurons for Efficient SNNs [18.0608697536269]
量子化されたBurst-LIFニューロンは、学習可能なスケールで膜電位の飽和均一な量子化としてバーストスパイクを再構成する。
QB-LIFはバイナリと固定バーストSNNを一貫して上回り、超低レイテンシで高い精度を達成する。
論文 参考訳（メタデータ） (2026-04-28T14:18:53Z) - Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:36:41Z) - ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance [35.08166384258028]
ProFlowはゼロショット物理一貫性サンプリングのためのフレームワークである。
厳密な物理的整合性と観測的忠実さを事前訓練された前の統計構造と整合させる。
これは、より正確な分布統計だけでなく、より優れた物理的および観測的整合性を達成する。
論文 参考訳（メタデータ） (2026-01-28T03:57:00Z) - Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。
サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。
さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
論文 参考訳（メタデータ） (2025-12-27T14:00:22Z) - Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。
本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。
F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
論文 参考訳（メタデータ） (2025-12-02T10:48:20Z) - Quantum Data Learning of Topological-to-Ferromagnetic Phase Transitions in the 2+1D Toric Code Loop Gas Model [4.7898251057059795]
量子データ学習(QDL)は、量子状態から直接物理的な洞察を抽出するフレームワークを提供する。
本稿では、磁場中の2+1次元トーリック・コード・ループ・ガスモデルにQDL手法を適用する。
論文 参考訳（メタデータ） (2025-11-20T23:21:15Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。
等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文 参考訳（メタデータ） (2023-05-12T04:12:04Z) - Sketching phase diagrams using low-depth variational quantum algorithms [0.04297070083645048]
本稿では,量子コンピュータと変分量子固有解器(VQE)を用いて検討する。
VQEを用いて正確な基底状態を作成するタスクとは対照的に、スケッチフェーズダイアグラムはより少ない量子リソースと精度を必要とする。
VQEが生成した状態を用いて,位相遷移の位置を妥当な精度で予測できることが判明した。
論文 参考訳（メタデータ） (2023-01-23T11:25:04Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。