論文の概要: Inferring the Number of Quantum State Transfers with Neural Networks

• arxiv url: http://arxiv.org/abs/2610.38844v1
• Date: Wed, 28 Oct 2026 20:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:30:05.731489
• Title: Inferring the Number of Quantum State Transfers with Neural Networks
• Title（参考訳）: ニューラルネットワークによる量子状態伝達数の推定
• Abstract要約: 繰り返し使用量子状態転送(QST)は、シングルユースパラダイムを超えている。 フィードフォワードニューラルネットワークは、XXスピンチェーンチャネルを1回使用して送受信したBlochベクトルを入力として与え、90%以上の精度で使用番号を識別可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Repeated-use quantum state transfer (QST) goes beyond the single-use paradigm by accounting for the memory that accumulates inside the transmission channel when it is not reset between uses. Consequently, the map governing the $n^{\mathrm{th}}$ use of the channel differs from use to use and carries a signature of each previous use. We ask whether this use number can be recovered from transmission data alone, and show that it can: a simple feed-forward neural network, given as input the Bloch vectors sent and received over a single use of an XX spin-chain channel, is able to identify the use number with an accuracy exceeding 90%. Exploiting the U(1) symmetry of the channel, we find that a reduced two-component representation of the transmitted states improves the accuracy further, to about 95%. We characterise the dependence of the classifier on the size and composition of the training data, finding that the number of sampled states and of sampled timings are equally important. We also identify the data set sizes required to reach a given accuracy. Finally, we quantify the severity of the residual misclassifications with an earth-mover distance on the confusion matrix.
• Abstract（参考訳）: 繰り返し使用量子状態転送(QST)は、使用間でリセットされていないときに送信チャネル内に蓄積されるメモリを考慮し、シングルユースパラダイムを越えている。 したがって、$n^{\mathrm{th}}$ チャネルの使用を管理するマップは、使用する方法と異なり、それぞれの前の使用の署名を持っている。 簡単なフィードフォワードニューラルネットワークは、XXスピンチェーンチャネルを1回使用して送受信したBlochベクトルを入力として、90%以上の精度で使用番号を識別することができる。 チャネルのU(1)対称性をエクスプロイトすると、送信された状態の2成分表現の削減により、さらに精度が95%向上する。 トレーニングデータのサイズと構成に対する分類器の依存性を特徴付け、サンプル状態の数とサンプルタイミングが等しく重要であることを確かめる。 また、所定の精度に達するために必要なデータセットのサイズを特定します。 最後に, 残差分類の重大度を, 混合行列上での地中距離で定量化する。

関連論文リスト

• Planted Cliques and Quantum Symmetry-Adapted Measurements [0.19116784879310025]
  我々は、量子符号化とヒルベルト適応測定が、ある古典グラフから植えられた斜め検出のための情報を保存する方法を研究する。 コンパクトなバイナリ位相符号化では、定数検出には同じグラフの位相状態のコピー$(n1+2varepsilonlnn)$が必要であることを証明している。
  論文  参考訳（メタデータ） (2026-09-30T17:52:47Z)
• Quantum-enhanced Network Tomography [8.339857826585455]
  光ネットワークにおけるリンク透過率を推定するために量子プローブを用いる。 本稿では,送信者の情報集合数を最大化しつつ,リンク識別性を保証するプローブ構築アルゴリズムを提案する。 この結果は,一般的な光ネットワークにおけるリンク透過率の推定における量子的改善を特徴付けるのに有用である。
  論文  参考訳（メタデータ） (2026-04-28T04:03:21Z)
• Sampling weights of deep neural networks [1.2370077627846041]
  完全に接続されたニューラルネットワークの重みとバイアスに対して,効率的なサンプリングアルゴリズムと組み合わせた確率分布を導入する。 教師付き学習環境では、内部ネットワークパラメータの反復最適化や勾配計算は不要である。 サンプルネットワークが普遍近似器であることを証明する。
  論文  参考訳（メタデータ） (2023-06-29T10:13:36Z)
• Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
  本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。 送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
  論文  参考訳（メタデータ） (2023-01-11T04:15:51Z)
• Randomized Quantization: A Generic Augmentation for Data Agnostic Self-supervised Learning [89.00646449740606]
  自己監督型表現学習は、データの一部を保持し、残りの部分から予測するようにネットワークに指示するパラダイムに従っている。 データ拡張は、情報ギャップを作るためのコアにあります。 本稿では,精度の冗長性を利用した汎用データ拡張のためのチャネル次元について検討する。
  論文  参考訳（メタデータ） (2022-12-19T18:59:57Z)
• 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)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。