論文の概要: QML for Quantum Sensing under Measurement-Induced Information Loss
- arxiv url: http://arxiv.org/abs/2608.23934v1
- Date: Tue, 25 Aug 2026 00:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.681707
- Title: QML for Quantum Sensing under Measurement-Induced Information Loss
- Title（参考訳）: 測定誘起情報損失下における量子センシングのためのQML
- Abstract要約: ダイヤモンド中の窒素空孔(NV)中心は、磁気測定のための高感度な固体量子センサーとして機能する。
NV中心に着想を得た磁力計設定における磁場推定における量子機械学習(QML)の役割について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nitrogen-vacancy (NV) centers in diamond can serve as highly sensitive solid-state quantum sensors for high-sensitivity magnetometry. However, in the noisy intermediate-scale quantum (NISQ) era, extracting reliable information from noisy, finite-shot, and measurement-limited sensing data remains a considerable challenge. Whereas, quantum machine learning (QML) offers a potential path to improve parameter estimation by learning nonlinear relationships between quantum-sensing data and the underlying physical signal. In this work, we investigate the role of QML in magnetic-field estimation within an NV center-inspired magnetometry setting. We formulated magnetic field sensing as a supervised regression task. We compared the performance of several classical machine learning models trained on measurement-based classical data with that of quantum kernel-based models trained on pre-measurement coherent quantum states. Our objective is to isolate the impact of measurement-induced information loss and therefore provide a theoretical upper bound on the sensing performance. The upper bound is achievable only when coherent quantum information is directly available to the learning model. Our results show that QML-based sensing performance improves significantly with coherent quantum-state information, and not much with changes in model complexity or learning paradigm. This observation underscores the importance of learning pipelines that tightly integrate quantum sensors and QML models to enhance magnetic field sensing under realistic constraints.
- Abstract（参考訳）: ダイヤモンド中の窒素空孔(NV)中心は、高感度磁気計測のための高感度固体量子センサーとして機能する。
しかし、ノイズの多い中間スケール量子(NISQ)時代には、ノイズ、有限ショット、測定制限センシングデータから信頼できる情報を抽出することが大きな課題である。
一方、量子機械学習(QML)は、量子センシングデータと基礎となる物理信号の間の非線形関係を学習することでパラメータ推定を改善する潜在経路を提供する。
本研究では,NV中心に着想を得た磁気計測装置における磁場推定におけるQMLの役割について検討する。
我々は磁場センサを教師付き回帰タスクとして定式化した。
我々は、測定に基づく古典的なデータに基づいてトレーニングされた古典的機械学習モデルと、事前測定コヒーレントな量子状態に基づいてトレーニングされた量子カーネルベースのモデルのパフォーマンスを比較した。
本研究の目的は,計測による情報損失の影響を分離し,センサ性能に理論的上限を与えることである。
上界は、コヒーレント量子情報が学習モデルに直接利用できる場合にのみ達成できる。
以上の結果から,QMLに基づくセンシング性能は,コヒーレントな量子状態情報によって大幅に向上し,モデル複雑性や学習パラダイムの変化とともに向上することが示唆された。
この観察は、現実的な制約下で磁場センシングを強化するために、量子センサとQMLモデルを密に統合する学習パイプラインの重要性を強調している。
関連論文リスト
- Machine-Learning Prediction of Quantum Fisher Information from Collective Spin and Spectral Features [0.0]
本研究では,実験的に利用可能な量の限られたセットから,Quantum Fisher情報の予測範囲について検討する。
物理的に動機づけられた特徴を比較することにより,QFIを規定する主要な特徴集合を同定する。
我々は,QFIが主に密度行列の集団共分散と低次スペクトルモーメントの相互作用によって制御されることを示した。
論文 参考訳（メタデータ） (2026-06-02T00:45:09Z) - Investigating Lipkin-Meshkov-Glick Model and Criticality-Enhanced Metrology in a Coherent Ising Machine [6.065490837113697]
コヒーレントイジングマシン(CIM)を用いたLipkin-Meshkov-Glickモデル(LMG)のシミュレーション手法を提案する。
本研究では,LMGモデルのスピン変数をDOPOパルスの位相にマッピングし,全結合によりスピン-スピン相互作用を実現する。
論文 参考訳（メタデータ） (2026-03-14T10:35:50Z) - Auto Quantum Machine Learning for Multisource Classification [0.0]
データ融合問題に対処するための自動QML(AQML)アプローチを導入する。
従来のマルチ層パーセプトロンと比較してAQML生成量子回路の性能を評価する。
提案手法をマルチスペクトルONERAデータセットを用いて変更検出に適用し,従来報告したQMLに基づく変更検出結果よりも精度が向上した。
論文 参考訳（メタデータ） (2026-02-20T22:31:02Z) - Real-time optimal quantum control for atomic magnetometers with decoherence [0.0]
我々は、最適感度を達成するために、光原子磁気センサに連続量子計測と推定理論を適用した。
感度の基本的な量子制限を導出し、検知時間と原子番号Nとをよく線形にスケールする。
我々の戦略は、心拍のような波形などの生物学的に関係のある信号を追跡でき、原子アンサンブルを絡み合った状態に動かすこともできる。
論文 参考訳（メタデータ） (2025-12-04T21:38:39Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data [1.3359321655273804]
本稿では,新しいハイブリッド量子古典型機械学習パイプラインであるCompressedMediQを紹介する。
高次元のマルチクラス・ニューロイメージングデータ解析に関連する計算課題に対処する。
論文 参考訳（メタデータ） (2024-09-13T07:03:01Z) - Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
論文 参考訳（メタデータ） (2023-11-13T09:46:05Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳（メタデータ） (2023-06-06T08:06:43Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z)
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。