論文の概要: Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

• arxiv url: http://arxiv.org/abs/2609.22768v1
• Date: Sat, 19 Sep 2026 05:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.547563
• Title: Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations
• Title（参考訳）: 量子不確実性関係からの事前ガイダンスを用いたニューラルネットワークに基づく多部絡み合い分類
• Abstract要約: 本稿では,局所ユニタリ(LU)軌道から採取した状態に基づいて,多部交絡クラスを分類するニューラルネットワーク手法を提案する。 本手法の分類精度は20量子系で99.5%に達する。
• 参考スコア（独自算出の注目度）: 12.475100084452258
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Quantum entanglement is a crucial resource in quantum information processing, yet its efficient, scalable and robust classification in multipartite systems remains theoretically challenging. Although supervised machinelearning has been applied to this task, most existing methods still suffer from high measurement costs, computational consumption, and weak noise robustness. In this work, by incorporating multipartite uncertainty relations as prior guidance, we propose a neural network approach to classify distinct Stochastic Local Operations and Classical Communication (SLOCC) multipartite entanglement classes based on states sampled from their local unitary (LU) orbits. Compared with traditional techniques, our method reduces experimental measurement-resource requirements and computational overhead, showing high adaptability to large-scale systems. The classification accuracy of our method reaches 99.5% in 20-qubit systems. The numerical validation is performed on states generated by random LU transformations, which preserve the SLOCC class. Within this setting, the proposed method offers strong effectiveness, scalability, and robustness for multipartite entanglement classification.
• Abstract（参考訳）: 量子絡み合いは量子情報処理において重要な資源であるが、その効率的でスケーラブルで堅牢な分類は理論的に難しいままである。 このタスクには教師あり機械学習が適用されているが、既存の手法の多くは依然として高い測定コスト、計算消費、弱い雑音の頑健さに悩まされている。 本研究では,複数粒子の不確実性関係を事前のガイダンスとして組み込むことで,局所一元軌道(LU)軌道から採取した状態に基づいて,確率的局所操作と古典的通信(SLOCC)の異なる多粒子絡み合いクラスを分類するニューラルネットワーク手法を提案する。 従来の手法と比較して,提案手法は実験的な計測資源要件と計算オーバーヘッドを低減し,大規模システムへの高い適応性を示す。 本手法の分類精度は20量子系で99.5%に達する。 数値検証は、SLOCCクラスを保持するランダムLU変換によって生成された状態に対して行われる。 提案手法は,マルチパーティ・エンタングルメント分類における高い有効性,スケーラビリティ,ロバスト性を提供する。

関連論文リスト

• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Tensor-Efficient High-Dimensional Q-learning [4.503747347543387]
  高次元強化学習は、大規模状態作用空間における複雑な計算と低いサンプル効率の課題に直面している。 本稿では,離散化された状態-作用空間上でのブロック座標降下の改善により,低ランクテンソル分解を向上するTEQLを提案する。 鍵となるイノベーションは、近似誤差と訪問に基づく高信頼度を組み合わせ、行動の優先順位を高い不確実性で優先順位付けする探索戦略である。
  論文  参考訳（メタデータ） (2025-11-05T16:16:31Z)
• Uncertainty Quantification with the Empirical Neural Tangent Kernel [13.132499571608868]
  トレーニング終了時のオーバーパラメータ化ネットワークに対するポストホックサンプリングに基づくUQ手法を提案する。 提案手法は,(確率的な)勾配-発散サンプリング法を用いて,効率的かつ有意義な深層アンサンブルを構築する。 提案手法は,複数の要因によるコスト削減の計算効率において,競合するアプローチよりも優れるだけでなく,回帰処理と分類処理の両方において,様々なUQ指標の最先端性能を維持できることを示す。
  論文  参考訳（メタデータ） (2025-02-05T04:01:34Z)
• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。