Machine learning assisted quantum state tomography: a case-study using conditional generative adversarial networks (2024)
- Authors:
- Autor USP: JÚNIOR, SILVIO JONAS DA SILVA - IF
- Unidade: IF
- Sigla do Departamento: FAP
- DOI: 10.11606/D.43.2024.tde-12062025-180055
- Subjects: APRENDIZADO COMPUTACIONAL; TOMOGRAFIA; REDES NEURAIS
- Keywords: QUANTUM THEORY OF INFORMATION; MACHINE LEARNING; STATE TOMOGRAPHY; NEURAL NETWORKS; cGAN; TEORIA QUÂNTICA DA INFORMAÇÃO; APRENDIZADO DE MÁQUINA; TOMOGRAFIA DE ESTADOS
- Agências de fomento:
- Language: Inglês
- Abstract: Neste trabalho, apresentamos um estudo sobre Redes Neurais Generativas aplicadas ao problema da Tomografia de Estados Quânticos (TEQ). Nosso objetivo era adquirir compreensão sobre o uso de diversas Redes Neurais e obter insights sobre como aplicá-las ao problema da TEQ, a fim de selecionar uma abordagem com aplicação promissora. Para isso, investigamos diversas redes e exploramos dois casos: as Máquinas Restritas de Boltzmann (RBM) e as Redes Generativas Adversárias Condicionais (cGAN); a RBM foi escolhida por ser pioneira no contexto da TEQ, enquanto a cGAN foi selecionada devido à sua ampla aplicabilidade bem-sucedida em diversos problemas, além de ter sido objeto de um estudo recente na área, representando, até o momento, a única aplicação desse tipo de rede ao problema da TEQ. Nosso estudo de caso envolveu simulações de um estado quântico de 4-qubits e dados reais provenientes de um experimento com 8-qubits altamente emaranhados. Para o primeiro caso, utilizamos um pacote conhecido em Python (QuCumber, empregando uma RBM), além de adaptarmos uma rede pré-existente (uma cGAN) ao nosso estado específico, alcançando sucesso na reconstrução com um tempo de treinamento e processamento relativamente baixo.No entanto, no segundo caso, ao aplicarmos a cGAN aos dados dos 8-qubits, não obtivemos êxito na reconstrução, possivelmente devido à limitada expressividade da rede para esse cenário ou ao elevado tempo de processamento necessário para treiná-la, uma vez que contávamos apenas com uma CPU e recursos computacionais limitados. Em nosso estudo, discutimos a pertinência dessas redes para o problema da TEQ e especulamos sobre os próximos passos interessantes na interseção entre Teoria Quântica da Informação e Aprendizado de Máquina
- Imprenta:
- Data da defesa: 29.05.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SILVA JÚNIOR, Silvio Jonas da. Machine learning assisted quantum state tomography: a case-study using conditional generative adversarial networks. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-12062025-180055/. Acesso em: 20 fev. 2026. -
APA
Silva Júnior, S. J. da. (2024). Machine learning assisted quantum state tomography: a case-study using conditional generative adversarial networks (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/43/43134/tde-12062025-180055/ -
NLM
Silva Júnior SJ da. Machine learning assisted quantum state tomography: a case-study using conditional generative adversarial networks [Internet]. 2024 ;[citado 2026 fev. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-12062025-180055/ -
Vancouver
Silva Júnior SJ da. Machine learning assisted quantum state tomography: a case-study using conditional generative adversarial networks [Internet]. 2024 ;[citado 2026 fev. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-12062025-180055/
Informações sobre o DOI: 10.11606/D.43.2024.tde-12062025-180055 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
