論文の概要: Neural Network Learning of One-Bit Protocols for Qubit Measurement Simulation

• arxiv url: http://arxiv.org/abs/2607.23645v1
• Date: Sun, 26 Jul 2026 13:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.179428
• Title: Neural Network Learning of One-Bit Protocols for Qubit Measurement Simulation
• Title（参考訳）: 量子ビット計測シミュレーションのためのワンビットプロトコルのニューラルネットワーク学習
• Abstract要約: 特定の測定ファミリに対して,1ビットで高い平均精度が得られることを示す。 有限情報に対して極めて正確な解析的プロトコルを導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Communication complexity provides a natural framework for quantifying the classical resources required to reproduce quantum statistics. In the qubit prepare-and-measure scenario, two classical bits have been shown to be necessary and sufficient to simulate arbitrary qubit states and arbi- trary quantum measurements exactly. However, this result does not exclude the possibility that restricted families of measurements may admit accurate 1-bit classical approximations. We use a neural network procedure to demonstrate that a single bit can achieve high average accuracy for specific measurement families. A performance analysis of our neural network reveals that symmet- ric measurements with uniformly weighted elements, such as those forming regular polyhedra, are particularly amenable to this restricted communication. By analyzing the patterns learned by the neural network, we derive an analytical protocol that is extremely accurate for finite information- ally complete symmetric configurations and becomes exact in the limit of a continuous isotropic measurement.
• Abstract（参考訳）: 通信複雑性は、量子統計を再現するために必要な古典的資源を定量化する自然なフレームワークを提供する。 量子ビットの準備と測定のシナリオでは、2つの古典ビットが任意の量子ビット状態とarbi-trary量子測定を正確にシミュレートするのに必要で十分であることが示されている。 しかし、この結果は、制限された測定の族が正確な1ビットの古典近似を許容する可能性を排除するものではない。 ニューラルネットワークを用いて、特定の測定ファミリに対して、単一のビットが高い平均精度を達成できることを実証する。 ニューラルネットワークの性能解析により,通常のポリヘドラのような一様重み付き要素を用いた対称性-リック測定が,この制限された通信に特に有効であることが判明した。 ニューラルネットワークが学習したパターンを解析することにより,有限情報に対して極めて正確な解析プロトコルを導出する。

関連論文リスト

• Near-optimal quantum metrology with few-qubit measurements [2.1171784356348486]
  数量子ビット計測のみを使用するプロトコル群を導入し、必要なリソースを大幅に削減する。 任意の純粋な状態に対して、我々のプロトコルの1つが量子クラメロ・ラオにアプローチし、量子ビットの個数と線形にスケールするサンプルの複雑さのオーバーヘッドに達する。 この結果は、量子状態認証プロトコルの最近の進歩に基づき、数量子ビット計測を行った。
  論文  参考訳（メタデータ） (2026-08-03T02:46:52Z)
• Comparing Classical Simulation and Sample-Based Learning of Quantum Systems: Learning the Hardness of Quantum Systems from Samples [41.99844472131922]
  量子システムに対する2つの異なる古典的アプローチの関係について検討する。 我々は、制御された量子状態の族からの測定サンプルに基づいて訓練された固定された深部エネルギーベース生成モデルを用いる。
  論文  参考訳（メタデータ） (2026-05-27T18:44:36Z)
• Temporal Framework for Causality-Preserving Scheduling of Measurements in Quantum Networks [37.29183352005633]
  量子プロトコルは、測定結果を処理するために古典的なフィードフォワード情報に依存しています。 不均一なハードウェアと 不確実な局所的タイミングは 測定の因果順序を曖昧にする 本稿では,ノードが予め割り当てられたスロットで計測を行う量子ネットワークの時間分割アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-02-12T22:36:30Z)
• 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)
• Certifying almost all quantum states with few single-qubit measurements [0.9558392439655012]
  ほぼすべてのn-qubitターゲット状態が、O(n2)シングルキュービット測定のみから証明可能であることを示す。 このような検証された表現は、高度に非局所的な特性を効率的に予測するのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-10T18:21:11Z)
• Robust and efficient verification of graph states in blind measurement-based quantum computation [52.70359447203418]
  Blind Quantum Computing (BQC) は、クライアントのプライバシを保護するセキュアな量子計算手法である。 資源グラフ状態が敵のシナリオで正確に準備されているかどうかを検証することは重要である。 本稿では,任意の局所次元を持つ任意のグラフ状態を検証するための,堅牢で効率的なプロトコルを提案する。
  論文  参考訳（メタデータ） (2023-05-18T06:24:45Z)
• Inferring Quantum Network Topology using Local Measurements [3.549868541921029]
  本稿では,量子ネットワークのトポロジを識別し,推論するための効率的なプロトコルを提案する。 このプロトコルはノイズに対して完全に堅牢であり、量子変分最適化によって実装可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-15T17:36:12Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Deep learning of quantum entanglement from incomplete measurements [0.2493740042317776]
  ニューラルネットワークを用いることで、量子状態の完全な記述を必要とせずに、絡み合いの度合いを定量化できることを実証する。 提案手法は,不完全な局所的な測定値を用いて,量子相関の直接量子化を可能にする。 我々は,様々な測定シナリオからデータを受け取り,ある程度,測定装置から独立して実行する畳み込みネットワーク入力に基づく手法を導出する。
  論文  参考訳（メタデータ） (2022-05-03T12:55:39Z)
• Entanglement quantification from collective measurements processed by machine learning [0.0]
  解析式の代わりに,ニューラルネットワークを用いて量子状態における絡み合いの量を予測する。 本研究の目的は,一般2量子状態とその負性度をエンタングルメント量化器として考えることである。
  論文  参考訳（メタデータ） (2022-03-03T10:03:57Z)
• A Quantitative Geometric Approach to Neural Network Smoothness [44.31859964161672]
  リプシッツ定数推定に対処するために、統一的な理論的枠組み、定量的幾何学的アプローチを提供する。 この量的幾何学的アプローチから誘導されるアルゴリズムをGeoLIPツールに実装する。
  論文  参考訳（メタデータ） (2022-03-02T16:13:33Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Statistically Meaningful Approximation: a Case Study on Approximating Turing Machines with Transformers [50.85524803885483]
  本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。 回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
  論文  参考訳（メタデータ） (2021-07-28T04:28:55Z)

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。