PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20504v1quant-ph

변분 및 고전적 신경망을 통한 다중 큐트리트 시스템에서의 엔트로피 추정

Entropy Estimation in Multi-Qutrit Systems via Variational and Classical Neural Networks

우리는 이상적인(잡음이 없는) 양자 시뮬레이터를 사용하여 평가된, 두 가지 상호 보완적인 접근 방식인 변분 양자 알고리즘(VQAs)과 고전적 합성곱 신경망(CNNs)을 사용하여 다중 큐트리트 양자 시스템에서의 폰 노이만 엔트로피 추정에 대한 체계적인 연구를 제시합니다. 최대 3개의 큐트리트 시스템에 대해, 우리는 11개의 하드웨어 효율적인 SU(3) 기반 안사츠(ansatz)를 구성하고 평가합니다. 매개변수 스윕(parameter sweep)은 충분한 얽힘이 존재하는 경우, 추정 정확도가 주로 학습 가능한 매개변수의 수에 의해 결정됨을 보여줍니다. 이 연구를 기반으로, 우리는 후속 실험을 위해 매개변수 수를 약 120개로 고정하며, 임계값을 초과하여 얽힘 게이트(entangling-gate) 수를 늘리는 것은 미미한 개선만을 가져옴을 관찰합니다. 더 큰 시스템(2~5개 큐트리트)의 경우, 우리는 텐서 곱 상호 비편향 기저(tensor-product mutually unbiased bases)에서의 측정 결과로 학습된 CNN을 사용합니다. 해당 모델은 정확하고 안정적인 예측을 달성하며, 시스템 크기에 따라 성능의 체계적인 개선을 보여줍니다. 이때 2큐트리트 시스템에서 오차가 가장 높고 5큐트리트 시스템에서 가장 낮습니다. 특히, 전체 상태 토모그래피(tomography)에 필요한 측정의 12.5%만 사용하는 것만으로도 4큐트리트 및 5큐트리트 시스템 모두에 대해 약 0.13-0.16 내트(nats)의 90번째 백분위수 절대 오차에 도달하기에 충분합니다. 또한 CNN 모델은 샷 노이즈(shot noise)에 대해 견고하며 분포 외(out-of-distribution) 상태로 잘 일반화됩니다. 전반적으로, 여기서 연구된 시뮬레이션 설정 내에서 우리의 결과는 실용적인 방법의 전환을 나타냅니다. 즉, VQA는 작은 시스템에 효과적인 반면, CNN 기반 추정기는 더 큰 큐트리트 시스템에서 개선된 확장성과 견고성을 제공합니다.